Дослідники з Корнелла знайшли спосіб навчати фізичні системи виконанню завдань машинного навчання. Тепер техніка зможе розпізнавати рукописні тексти чи голосні звуки, що вимовляються вголос.
Виявилося, що перетворити на нейронну мережу можна практично будь-яку фізичну систему. Про це розказав Пітер МакМахон, доцент кафедри прикладної та інженерної фізики Інженерного коледжу.
Дослідники розробили процедуру навчання Physics-Aware-Training та продемонстрували її на трьох різних типах фізичних систем – на механічному, оптичному та електричному.
У першому випадку вони помістили титанову пластину поверх звичайного динаміка, створивши багатомодовий механічний осцилятор.
У другому – пропустили лазерний промінь через нелінійний кристал. Він перетворював кольори вхідного світла на нові, поєднуючи пари фотонів.
У третьому експерименті вони використали електронну схему, що складалася з чотирьох компонентів - резистора, конденсатора, катушки індуктивності і транзистора.
Щоб штучні нейронні мережі працювали, до вхідних даних треба застосувати низку параметричних функцій. Дослідники змінювали певні вхідні параметри – проганяли через фізичну систему кілька зразків, а потім за допомогою ПК визначали, які параметри слід скоригувати задля досягнення максимальної точності.
Для цього використали стандартний алгоритм зворотнього розповсюдження помилки. Він є стійким до неідеальних умов експерименту.
У результаті, навчена оптична система впізнавала написані від руки цифри з точністю до 97%. Це гірше, ніж у звичайних нейронних мереж на електронному процесорі. Але все ж експеримент продемонстрував, що навіть дуже проста фізична система може виконувати машинне навчання, і потенційно вона зробить це швидше, ніж традиційні електронні нейронні мережі.
Код Physics-Aware-Training, розроблений спеціально для цього дослідження, виклали у відкритий доступ. Тепер інші дослідники зможуть перетворювати на нейронні мережі і свої фізичні системи. Це стосується й тих, які складаються з рідин та екзотичних матеріалів.
Статтю корнеллської команди, під назвою «Глибокі фізичні нейронні мережі» опублікували 26 січня журналом Nature.
За словами МакМахона, не кожна фізична система може стати гарною нейронною мережею для будь-якого завдання. Тому наразі лабораторія працює над тим, щоб виявити, які з них найкраще підходять для завдань машинного навчання.
