Исследователи из Корнелла нашли способ обучать различные физические системы выполнению задач машинного обучения. Теперь техника сможет распознавать произносимые вслух рукописные тексты и громкие звуки.
Оказалось, что превратить в нейронную сеть можно практически любую физическую систему. Об этом рассказал Питер Макмахон, доцент кафедры прикладной и инженерной физики Инженерного колледжа.
Исследователи разработали процедуру обучения Physics-Aware-Training и продемонстрировали ее на трех разных типах физических систем – на механической, оптической и электрической.
В первом случае они поместили титановую пластину сверху обычного динамика, создавая таким образом многомодовый механический осциллятор.
Во втором – пропустили лазерный луч через нелинейный кристалл. Он превращал цвета входного света в новые, совмещая пары фотонов.
В третьем эксперименте они использовали электронную схему, которая состояла из четырех компонентов – резистора, конденсатора, катушки индуктивности и транзистора.
Чтобы искусственные нейронные сети работали, к входным данным следует применить ряд параметрических функций. Исследователи изменяли определенные входные параметры – прогоняли через физическую систему несколько образцов, а затем с помощью ПК определяли, какие параметры следует скорректировать для достижения максимальной точности.
Для этого был использован стандартный алгоритм обратного распространения ошибки. Он устойчив к неидеальным условиям эксперимента.
В результате обученная оптическая система узнавала написанные от руки цифры с точностью до 97%. Это несколько хуже, чем в обычных нейронных сетей на электрическом процессоре. Но все же эксперимент продемонстрировал, что даже такая физическая система поддается машинному обучению, и потенциально она сделает это быстрее традиционных электронных нейронных сетей.
Код Physics-Aware-Training, разработанній специально для этого исследования был выложен в открытый доступ. Теперь другие разработчики смогут превращать в нейронные сети и свои физические системы. Это касается и тех систем, которые состоят из жидкостей и экзотических материалов.
Статью корнеллской команды под названием «Глубокие физические нейронные сети» опубликовали 26 января журналом Nature.
По словам Макмахона, не каждая физическая система может стать хорошей нейронной сетью для любой задачи. Поэтому лаборатория работает над тем, чтобы выявить, какие из них лучше всего подходят для задач машинного обучения.
