Чтобы научить систему, разработчики обычно выставляют ее набору обучающих картинок и регулируют веса ребер, чтобы получить правильный результат. Это сложная задача оптимизации, которая значительно усложняется с размером сети и требует существенной компьютерной обработки, отличной от самой нейронной сети. Усложняя ситуацию, все ребра по всей сети должны быть настроены одновременно, а не один за другим. Чтобы обойти эту проблему, физики искали физические системы, которые могут эффективно настраивать себя без внешних вычислений.

Теперь Диллаву и его коллеги разработали систему, которая может сделать именно это. Они собрали небольшую сеть, случайным образом связав вместе 16 общих электрических компонентов, называемых регулируемыми резисторами, как и многие очистители труб. Каждый резистор служит ребром в сети, а узлы-это соединения, где встречаются выводы резисторов. Чтобы использовать сеть, исследователи устанавливают напряжения для определенных входных узлов и считывают напряжения выходных узлов. Регулируя резисторы, автоматизированная сеть научилась производить желаемые выходы для заданного набора входов.

Чтобы обучить систему с минимальным объемом вычислений и памяти, исследователи фактически построили две идентичные сети друг над другом. В “зажатой” сети они подавали входные напряжения и фиксировали выходное напряжение до нужного им значения. В “свободной” сети они фиксировали только входное напряжение, а затем позволяли всем остальным напряжениям плавать до любого значения, которое они будут, что обычно давало неправильное напряжение на выходе.

Затем система отрегулировала сопротивления в двух сетях в соответствии с простым правилом, которое зависело от того, была ли разность напряжений на резисторе в зажатой сети больше или меньше, чем разность напряжений на соответствующем резисторе в свободной сети. После нескольких итераций эти настройки привели все напряжения на всех узлах двух сетей в согласие и обучили обе сети давать правильный выход для данного входа.

Важно отметить, что настройка требует очень мало вычислений. Системе нужно только сравнить падение напряжения на соответствующих резисторах в зажатых и свободных сетях, используя относительно простой электрический виджет, называемый компаратором, говорит Диллаву.

Сеть была настроена для выполнения различных простых задач ИИ, сообщил Диллаву на встрече. Например, она может различать с точностью более 95% три вида ириса в зависимости от четырех физических измерений цветка: длины и ширины его лепестков и чашелистиков—листьев чуть ниже цветка. Это канонический тест ИИ, который использует стандартный набор из 150 изображений, 30 из которых использовались для обучения сети, говорит Диллаву.

Однако маловероятно, что сеть резисторов когда-либо заменит стандартные нейронные сети. С одной стороны, его реакция на разные входы, вероятно, должна меняться более резко, если сеть резисторов должна соответствовать способности искусственной нейронной сети проводить тонкие различия, говорит Диваллу.

Подробнее https://popularwebtopics.blogspot.com/