0 added
0 removed
Original
2026-01-01
Modified
2026-02-21
1
<p>Специалисты из Оксфорда вместе с коллегами из Эксетера и Мюнстера<a>разработали</a>оптический процессор, который способен обучать нейросети и выявлять схожести среди элементов в наборе данных. Делает он это намного быстрее, чем обычные алгоритмы для машинного обучения, функционирующие на электрических процессорах.</p>
1
<p>Специалисты из Оксфорда вместе с коллегами из Эксетера и Мюнстера<a>разработали</a>оптический процессор, который способен обучать нейросети и выявлять схожести среди элементов в наборе данных. Делает он это намного быстрее, чем обычные алгоритмы для машинного обучения, функционирующие на электрических процессорах.</p>
2
<p>Научная работа по этой технологии использует открытия Нобелевского лауреата Ивана Павлова. Он показал, что если во время кормления собак подавать им дополнительные стимулы - например, звуки колокольчика или метронома, - то они запомнят это, а после такой звук начнут ассоциировать с едой и у них будет выделяться слюна. Павлов доказал, что два независимых события, повторяемые много раз, создают новую связь - условный рефлекс.</p>
2
<p>Научная работа по этой технологии использует открытия Нобелевского лауреата Ивана Павлова. Он показал, что если во время кормления собак подавать им дополнительные стимулы - например, звуки колокольчика или метронома, - то они запомнят это, а после такой звук начнут ассоциировать с едой и у них будет выделяться слюна. Павлов доказал, что два независимых события, повторяемые много раз, создают новую связь - условный рефлекс.</p>
3
<p>Обычно нейронные сети требуют большого количества примеров во время процесса обучения. Например, чтобы научить нейросеть с хорошей точностью различать кошек на фотографиях, нужно примерно 10 тысяч картинок с котами.</p>
3
<p>Обычно нейронные сети требуют большого количества примеров во время процесса обучения. Например, чтобы научить нейросеть с хорошей точностью различать кошек на фотографиях, нужно примерно 10 тысяч картинок с котами.</p>
4
<p>Поэтому вместо обычного процесса обучения исследователи решили использовать Associative Monadic Learning Element (AMLE). Он представляет из себя специальный материал, который умеет запоминать паттерны и потом находить похожие признаки в других элементах из набора данных. AMLE запоминает схожести как условный рефлекс Павлова, когда находит близкие по признакам объекты.</p>
4
<p>Поэтому вместо обычного процесса обучения исследователи решили использовать Associative Monadic Learning Element (AMLE). Он представляет из себя специальный материал, который умеет запоминать паттерны и потом находить похожие признаки в других элементах из набора данных. AMLE запоминает схожести как условный рефлекс Павлова, когда находит близкие по признакам объекты.</p>
5
<p>Процессор использует лучи света, чтобы отправлять и принимать данные, что максимизирует плотность информации. Это позволяет передавать сигналы с помощью разных по длине волн одновременно и при этом не терять информацию. Такая архитектура может значительно ускорить время обучения нейросетей.</p>
5
<p>Процессор использует лучи света, чтобы отправлять и принимать данные, что максимизирует плотность информации. Это позволяет передавать сигналы с помощью разных по длине волн одновременно и при этом не терять информацию. Такая архитектура может значительно ускорить время обучения нейросетей.</p>
6
<p>Входные сигналы подаются в AMLE вместе с правильными результатами (обучение с учителем), а сам запоминающий материал может сбросить свой прогресс с помощью лучей света.</p>
6
<p>Входные сигналы подаются в AMLE вместе с правильными результатами (обучение с учителем), а сам запоминающий материал может сбросить свой прогресс с помощью лучей света.</p>
7
<p>Во время тестирования AMLE смог правильно определить изображения с котами и без них после того, как обучился всего на десяти фотографиях. Это в тысячу раз быстрее, чем получается у обычных алгоритмов на электронных процессорах.</p>
7
<p>Во время тестирования AMLE смог правильно определить изображения с котами и без них после того, как обучился всего на десяти фотографиях. Это в тысячу раз быстрее, чем получается у обычных алгоритмов на электронных процессорах.</p>
8
<p>"Наша разработка наиболее эффективна для задач, в которых не нужен анализ высоко сложных свойств у объектов в наборе данных. Большинство задач для обучения базируется на объёме, и у них не очень высокий уровень сложности. А наше ассоциативное обучение может справиться с такими задачами быстрее и с меньшей затратой ресурсов", -<a>сказал</a>профессор Ченг.</p>
8
<p>"Наша разработка наиболее эффективна для задач, в которых не нужен анализ высоко сложных свойств у объектов в наборе данных. Большинство задач для обучения базируется на объёме, и у них не очень высокий уровень сложности. А наше ассоциативное обучение может справиться с такими задачами быстрее и с меньшей затратой ресурсов", -<a>сказал</a>профессор Ченг.</p>
9
9