ここ2、3年、研究機関は、コンピューターが将来どのようにデータを処理するかについて、新しいコンセプトを見出すことに取り組んできた。そのひとつが「ニューロモーフィック・コンピューティング」である。ニューロモーフィック・コンピューティング・モデルは、人工ニューラルネットワークに似ているように聞こえるかもしれないが、それらとはほとんど関係がない。
従来の人工知能（AI)アルゴリズムが、効果を発揮するまでに膨大な量のデータを学習させる必要があるのに比べ、ニューロモーフィック・コンピューティング・システムは、その場で学習し適応することができる。
機械学習の分野で爆発的な成長が見られる中、ドイツの研究者たちがニューロモーフィック・コンピューターの効率的なトレーニング方法を考案した。
自己学習する物理機械
ドイツのMax Planck Institute for the Science of Lightの科学者、Florian Marquardt氏はこう説明する。「核となるアイデアは、物理的プロセスの形でトレーニングを行うことであり、そのプロセス自体によって機械のパラメーターが最適化されます」。
従来の人工ニューラルネットワークをトレーニングする場合と同様、モデルの動作を改善するためには外部からのフィードバックが必要である。しかし、研究者チームが提案する自己学習型の物理的機械は、訓練をはるかに効率的にし、エネルギーを節約する。
「私たちの方法は、自己学習マシンの中でどの物理的プロセスが行われるかに関係なく機能し、正確なプロセスを知る必要さえありません。しかし、そのプロセスはいくつかの条件を満たさなければならないのです。最も重要なことは、可逆的であることです。つまり、最小限のエネルギー損失で前進または後退が可能でなければなりません」と、Marquardt氏は説明する。
ニューロモーフィック・アーキテクチャ
ニューロモーフィック・アーキテクチャは、今日のハードウェアのほとんどがベースにしているノイマン型コンピュータ（フォンノイマン型アーキテクチャ）とは正反対のものだ。「現在電子機器に採用されているフォンノイマン型アーキテクチャは、ほとんどの機械学習（ML）アプリケーションにとって非常に非効率的であることが知られています。フォンノイマン型アーキテクチャはメモリとコンピューティングを分離しているため、チップはCPUとメモリの間で情報を行き来させます。これは、より多くの時間とエネルギーを消費する。ニューロモルフィック・アーキテクチャは、その解決策なのです」と研究者らは論文の中で指摘している。
研究者らは、3年以内に最初の自己学習型物理マシンを発表できること目指し研究を続けている。これが実現された暁には、AIのさらなる発展に寄与するものと考えられている。
論文
- PHYSICAL REVIEW X: Self-Learning Machines Based on Hamiltonian Echo Backpropagation
参考文献
- TechXplorer: New physics-based self-learning machines could replace current artificial neural networks and save energy
研究の要旨
物理的な自己学習マシンは、（人工ニューラルネットワークと同様に）データに基づいて学習することができるが、学習可能なパラメータとなる内部自由度の更新が自律的に行われる非線形力学系として定義することができる。この方法では、外部からの処理やフィードバックも、内部自由度の知識（とその制御）も必要ない。時間可逆ハミルトニアン系における自己学習のための一般的なスキームを紹介する。これは、時間反転操作を実装し、エコーダイナミクスの上に小さなエラー信号を注入することに依存する。ハミルトニアンの詳細とは無関係に、物理的なダイナミクス自体が、学習可能なパラメータの必要な勾配更新をどのように導くかを示す。このような自己学習マシンの学習を、非線形波動場の連成やその他の例について数値的に説明する。
コメントを残す