比傳統機器學習算法快1000倍——聯想學習法

英國牛津大學材料系研究人員聯合埃克塞特大學和明斯特大學的同事開發了一種片上光學處理器，能檢測數據集中的相似性，速度比在電子處理器上運行的傳統機器學習算法快1000倍。發表在《光學》雜志上的這項新研究的靈感來自諾貝爾獎獲得者伊萬·巴甫洛夫對經典條件反射的發現。

巴甫洛夫在實驗中發現，如果在喂食過程中提供另一種刺激，例如鈴鐺或節拍器的聲音，使狗將這兩種體驗聯系起來，那它只聽到聲音就會流口水。兩個不相關的事件配對在一起的重復關聯可產生學習反應，也就是條件反射。

大多數AI系統中使用的神經網絡在學習過程中通常需要大量數據示例，比如訓練模型可靠地識別出貓，可能需要多達10000張貓/非貓圖像，造成計算和處理成本居高不下。

關聯單子學習元素（AMLE）不是依靠神經網絡青睞的反向傳播來“微調”結果，而是使用一種記憶材料來學習模式，將數據集中的相似特征關聯在一起，以模仿巴甫洛夫在案例中觀察到的條件反射的“比賽”。

在測試中，僅用5對圖像訓練后，AMLE就可正確識別貓/非貓圖像。

與傳統電子芯片相比，新型光學芯片具有相當可觀的性能，這歸因于設計上的兩個關鍵差異：一種獨特的網絡架構，將聯想學習作為構建塊，而不是使用神經元和神經網絡；使用“波分復用”在單個通道上發送不同波長的多個光信號，以提高計算速度。

該設備自然地捕捉數據集中的相似性，同時使用光并行以提高整體計算速度，這遠遠超過了傳統電子芯片的能力。

研究人員表示，聯想學習方法可作為神經網絡的補充，而不是取代它們。對于不需要對數據集中高度復雜的特征進行大量分析的問題，它更有效。許多學習任務都是基于數量的，復雜程度并不高。在這些情況下，聯想學習可更快地完成任務，并且計算成本更低。