Timu ya watafiti imeonyesha mbinu ya jumla ya kufunza saketi zilizounganishwa za picha moja kwa moja kwenye chip halisi, hatua ambayo inaweza kugeuza vichakataji macho kutoka kwa vichapuzi vilivyowekwa, vilivyoundwa mapema hadi maunzi ambayo hujifunza baada ya kujengwa. Kazi hiyo, iliyochapishwa katika Sayansi ya Kompyuta ya Asili, imefupishwa katika muhtasari shirikishi unaoitwa "Saketi za picha huwa maunzi ya AI yanayoweza kufunzwa."
Mbinu hiyo, inayoitwa INSPIRE - fupi ya on-chip, in situ gradient asili ya asili - inashughulikia mojawapo ya vikwazo vya kati katika kompyuta ya picha kwa akili ya bandia: ingawa vichakataji picha huahidi faida kubwa katika kasi na ufanisi wa nishati, mafunzo yao yamesalia kwa uigaji wa dijiti ambao unahitaji uundaji wa gharama kubwa wa kimwili na unakabiliwa na makosa yanayotokana na uundaji. For more context on this story, see our ongoing artificial intelligence updates.
Kwa nini Chips za AI za Picha ni Ngumu Kufunza
Mitandao mingi ya neva leo imefunzwa kwenye maunzi ya dijitali, ambapo gradient zinaweza kukokotwa haswa. Mizunguko ya picha ni tofauti: mwanga huingilia, hutawanya na wanandoa kwa njia ambazo ni vigumu kuiga kikamilifu, na tofauti ndogo za utengenezaji humaanisha kuwa chip kwenye maabara mara chache hufanya kazi kama pacha wake wa kidijitali. Kufunza mtandao nje ya mtandao na kisha kuhamisha vigezo kwenye chip kunamaanisha kukubali kutolingana ambako kunadunisha usahihi.
Utafiti uliopita umeondoa tatizo. Uchunguzi umeonyesha uenezaji wa nyuma wa situ na kipimo cha gradient katika mitandao ya neural ya picha, na mnamo 2024 watafiti walianzisha mafunzo ya hali ya mbele kabisa kwa mitandao ya neva ya macho ili kupunguza utegemezi wa uigaji wa muundo wa dijiti. Kazi mpya inapanua mstari huu kwa kudai njia ambayo ni ya jumla katika usanifu wa mzunguko badala ya kulenga muundo mmoja.
Jinsi INSPIRE inavyofanya kazi
Kulingana na jarida hilo, INSPIRE hutumia holografia ya kurudisha nyuma wakati kwenye chip ili kupima nyanja kamili changamano za modi za picha za pande mbili. Kipimo hicho huruhusu saketi yenyewe kukokotoa viwango vya juu na kusasisha vigezo vyake, bila kuhitaji muundo kamili wa dijiti wa chip.
Matokeo ya vitendo ni muhimu. Kwa sababu hesabu ya upinde rangi hutokea ndani ya mfumo halisi, mada mbalimbali za saketi zinaweza kufunzwa baada ya kutengenezwa, na maunzi yanaweza kushughulikia muundo wa matrix, ukokotoaji wa urefu wa mawimbi mengi na ujifunzaji wa haraka wa meta bila nakala aminifu ya dijiti. Katika mtiririko wa kawaida wa kazi, kila moja ya hatua hizo itategemea usahihi wa uigaji ambao chipsi za ulimwengu halisi haziwezi kudhamini.
Mfumo huo unaelezewa kama topolojia-agnostic, ikimaanisha kuwa inafanya kazi na miundo tofauti ya mzunguko wa macho badala ya mpangilio mmoja wa bespoke. Kwa sababu gradient hupimwa kimwili, mtandao unaweza kufunzwa baada ya kutengenezwa, na kufyonza kasoro za utengenezaji ambazo zingehesabiwa kama kelele.
Matokeo
Nambari zilizoripotiwa ni maalum. Katika majaribio, njia hiyo ilitoa matrices yaliyofunzwa na makosa ya jamaa ya 0.26%. Timu pia ilionyesha mafunzo ya situ kupitia kutawanya midia kwa matrices kubwa kuliko idadi ya vipengele vya asili vinavyoweza kusomeka katika saketi - kujifunza kwa ufanisi kwa kutumia vidhibiti vichache vya kimwili kuliko tatizo linalohitaji kwa jina.
Labda cha kustaajabisha zaidi, watafiti walionyesha kuwa mizunguko ya meta-photonic inaweza kufanya katika ujifunzaji wa meta-situ, ikigundua kile wanachoelezea kama ujifunzaji wa picha ya risasi moja na ukandamizaji wa mfano wa mara 251 na kuongeza kasi ya mafunzo ya kazi mara 136. Muhtasari shirikishi unaongeza kuwa maunzi hufanikisha muundo wa matrix, ukokotoaji wa urefu wa wimbi nyingi na kujifunza kwa haraka kwa meta bila muundo kamili wa dijiti wa saketi.
Kwanini Ni Muhimu
Tamaa ya nishati ya AI ni mojawapo ya vikwazo vinavyosisitiza zaidi sekta hiyo, na kompyuta ya macho imependekezwa kwa muda mrefu kama njia ya kuzidisha matrix - uendeshaji wa msingi wa mitandao ya neural - kwa nguvu ya chini zaidi kuliko wasindikaji wa kielektroniki. Chipu za macho kutoka kwa wanaoanzisha na vikundi vya wasomi tayari zimeonyesha matokeo ya kuvutia. Mafunzo, hata hivyo, yamebaki kuwa ya kidijitali: chipu huendesha mtandao, lakini mafunzo hutokea kwenye GPU zinazoiiga.
Mbinu ya mafunzo ya kivitendo katika situ ingeziba pengo hilo, ikiruhusu mifumo ya picha kuzoea kazi mpya kwenye maunzi yenyewe. Inaweza pia kupunguza gharama ya kupeleka vichapuzi vya picha, kwani chips hazitahitaji tena kuainishwa kikamilifu na kulipwa fidia kabla ya matumizi. Waandishi huweka kazi hii kama kutoa "njia ya vitendo kuelekea mifumo ya picha ya akili inayobadilika na yenye ufanisi."
Tahadhari
Matokeo hutoka kwa maonyesho ya maabara yaliyodhibitiwa, na muhtasari wa karatasi haudai utayari wa uzalishaji. Kuongeza mafunzo kwenye chip kutoka kwa ukubwa ulioonyeshwa wa matrix hadi saizi ya mitandao ya neural ya mipakani bado ni changamoto ya uhandisi wazi, kama vile kuunganisha kifaa cha kipimo - holografia ya kurudisha nyuma wakati - katika vifurushi vilivyoshikamana, vinavyoweza kutengenezwa kwa wingi. Usambazaji katika ulimwengu halisi pia utahitaji kuthibitisha kutegemewa katika mabadiliko ya halijoto na kuzeeka kwa vipengele, hali ambapo mifumo ya fotoniki inajulikana kuyumba.
Bado, uchapishaji unaashiria mabadiliko makubwa katika msisitizo kwa nyanja: kutoka kwa kubuni saketi bora za picha hadi kuruhusu saketi za picha zijipange zenyewe, angalau kwa maana finyu ya kupanga vigezo vyao wenyewe. Ikiwa kazi ya ufuatiliaji itatoa matokeo kwa kiwango kikubwa zaidi, kipochi cha nishati kwa maunzi ya macho ya AI huimarika zaidi.
Utafiti wa kimsingi, "Ujifunzaji wa picha za neuromorphic kupitia asili ya upinde rangi ya situ" na Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang na Lu Fang, umechapishwa katika Sayansi ya Kompyuta ya Asili.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
