Вчені з Університету Пенсільванії відкрили новий підхід до машинного навчання. Звичайний електричний ланцюг самостійно навчився розпізнавати квіти за розміром пелюсток.
Група вчених під керівництвом фізика Семюела Діллава зібрала невелику електричну мережу, з'єднавши випадковим чином 16 резисторів. Дослідники встановлюють напругу для певних вхідних вузлів та зчитують показники вихідних вузлів. Самостійно регулюючи резистори, мережа навчилася робити бажані дані для заданого набору вихідних значень.
«Мережа була налаштована на виконання безлічі простих завдань ІІ, — каже Діллаву. — Наприклад, вона може розрізняти три види квіток ірису з точністю понад 95% на основі чотирьох параметрів: довжини та ширини пелюсток та чашолистків».
Для машинного навчання ІІ, як правило, використовують штучні нейронні мережі. Такі мережі зазвичай існують лише у пам'яті комп'ютера. Нейронна мережа складається з точок або вузлів, кожен з яких може набувати значення від 0 до 1, з'єднаних ребрами. Кожне ребро має вагу залежно від значень у вузлах. Під час навчання такої системи потрібно проводити регулювання ваги ребер,
щоб отримати потрібний результат.
"Це складна проблема оптимізації, яка значно зростає зі збільшенням розміру мережі і вимагає великої кількості обчислювальних ресурсів", - зазначає Діллаву. — Ситуація ускладнюється тим, що всі ребра мають налаштовуватися одночасно».
Щоб уникнути цієї проблеми, фізики шукали системи, які могли б налаштовувати себе без зовнішніх обчислень.
У своєму дослідники вчені збудували дві ідентичні мережі одна над одною. У замкненій мережі вони подавали напругу та фіксували на вихідних елементах потрібні значення. У відкритій мережі встановлювалося лише напруга на вхідному резисторі.
Система регулювала опір на резисторах у двох мережах залежно від різниці напруг між ідентичними вузлами у кожній із них. За кількох ітерацій ці коригування привели всю напругу у всіх резисторах у двох мережах у відповідність. Система навчилася видавати правильні вихідні дані заданих вихідних значень.
«Це налаштування потребує незначних обчислень, — каже Діллаву. — Системі потрібно лише порівняти падіння напруги на відповідних резисторах у замкненій та вільній мережах за допомогою компаратора. Наша робота доводить важливу можливість нового методу машинного навчання, який вимагає великих обчислень».
Джерело internetua.com
