欢迎访问山西安防资质网!

人工智能研究最新进展:原子尺度级别上的机器学习

技术动态    发布于:2021-03-11

  宣布在《自然-纳米技术》上的一篇重磅研讨论文中,科学家报告说,相互连接的原子网络所组成的“量子大脑”,可用于更好地构建模仿人的大脑的学习方法,这种自习惯体系结构,为直接在原子尺度等级的硬件中进行“芯片上机器学习”铺平了路途。

  论文题为:“能够自习惯的原子玻尔兹曼机”。有人会问,什么是原子玻尔兹曼机?为什么说是自习惯的?为此,需求从玻尔兹曼机的机器学习方法简略说起。

  咱们许多人知道,人的大脑的神经网络中包括约1000亿个神经元。每逢咱们的大脑履行任务时,这些神经元就会经过称为突触的微小结状结构,从其网络中的其它神经元接收电信号。一旦跨突触的信号总和到达某个临界值,神经元就会经过向其它神经元发送一系列电压尖峰来“触发”。不同神经元之间的连接强度被称为突触权重,随着咱们学习新事物和履行新任务而自习惯变化。

  当今许多受人的大脑启示的神经形态的设备都运用机器学习,即经过计算机运用软件或算法来练习一组给定范例的进行学习,以模仿人的大脑这种自主开发履行新任务的人工智能的能力。这些软件或算法来练习的机器学习方法约束了其功能和功率,一起使学习变得越来越杂乱,因而需求将物理现象连接到机器学习模型的新方法。一种这样的机器学习模型被称为玻尔兹曼机。

  一、玻尔兹曼机

  (英语:Boltzmann Machine,缩写:BM)是由随机激发神经元组成的神经网络,可以经过习惯神经元之间的突触相互作用来学习杂乱的概率散布。它代表了非常通用的一类随机神经网络,可用于数据聚类、生成建模和深度学习。依据软件的随机神经网络的一个关键缺点是需求进行蒙特卡洛采样,这种采样会随学习神经元数量的添加而难以缩放。

  神经网络

  从物理上讲,玻尔兹曼机是相互作用的自旋体系,其间随机动摇的自旋或磁矩代表神经元。玻尔兹曼机已应用在深层人工神经网络中的监督式和无监督式学习中进行降维。它在形式上等同于具有记忆承载加权相互作用的伊辛模型自旋体系。伊辛模型(Isingmodel)是一类描绘物质相变的随机进程(stochastic process)模型。玻尔兹曼机学习问题是调整突触权重,以使自旋的热力学平衡散布,尽或许类似于给定的数据散布。

  玻尔兹曼机是一中递归神经网络,其间动摇的神经元是二进制值(0或1),等效于随机的伊辛自旋,它与有限温度的伊辛自旋模型密切相关,因而从Boltzmann-Gibbs散布而得名。

  可是,计算给定玻尔兹曼机的热平衡很难,计算时刻与自旋次数成指数增长。因而,经过广泛的蒙特卡洛采样来预算热平衡,这在计算上适当昂贵。因而,运用实在资料中的自旋来模仿玻尔兹曼机,有利于允许资料的物理计算平衡自旋散布。为了使这样的体系可学习,所需求的资料不只要表现出必定程度的学习记忆力,并且还要表现出能习惯的能量态势,以便表现出许多或许的自旋散布。

  二、磁性原子正逐渐成为完成玻尔兹曼机的平台

  因为可以运用它们来创建可调节的自旋网络,以显现必要的随机运动。问题在于这些原子之间的磁性交换相互作用,一般具有很短的规模,这约束了可以形成的与其它原子或神经元的连接数量。

  现在,科学家在原子级硬件中完成机器学习算法,创建了一个原子自旋体系,这一新体系由黑色磷底物上的钴原子阵列所组成,该体系直接在一个定义明确的资料体系的轨迹动力学中模仿了玻尔兹曼机,即一种自习惯的原子玻尔兹曼机。

  在该研讨论文中,研讨人员直接在半导体黑磷表面上耦合钴原子的门控集合的随机自旋动力学中,从物理上直接完成了玻尔兹曼机。研讨发现,当将单个钴原子放在二维半导体上并施加电压时,可以在电子状况下以二进制对独自耦合的钴原子存储二进制位(s=0和1)的信息。

  研讨人员运用扫描隧道显微镜技术将钴原子定位在2D资料上,并在原子之间树立长距离耦合。他们发现,当他们向原子网络施加电压时,它会发生一个输出信号,该信号来自电子从一个钴原子“跃迁”到另一个钴原子,该输出信号在某种程度上类似于神经元发生的放电。

  如图所示经过各向异性耦合构建二元原子突触。a,c和d中三个原子体系的示意图,其间两个原子s1和s2强耦合,而k原子弱耦合到s1和s2。 b,玻尔兹曼机因子图表明,映射到a中描绘的实验装备在c和d中显现。

  如图所示突触动力学和自习惯机制。a,具有三个s原子和四个k原子的七原子钴集合体的恒流扫描隧道显微镜图像(Vs = -400 mV,比例:1nm)。 b,用于建模a华夏子集合的玻尔兹曼机因子图表明,其间的图表说明晰环境对玻尔兹曼机的影响。

  如图所示黑磷上钴原子耦合后的神经动力学。?a,扫描隧道显微镜在开关阈值以上对体系进行门控的实验设置示意图。在此,由于局部能带弯曲(灰色)的差异,s1和s2原子随机切换,而k保持静态。 b,两个价态构型(s = 0和1)中的孤立钴原子。 c,状况(s1,s2)中的两个钴原子。

  除了观察输出信号中的尖峰行为外,研讨人员还注意到钴原子团的行为依据接收到的输入而有所不同。例如,当资料以必定的电压长时刻影响后,类似突触的带有记忆的原子会自动呼应,从而有效地改变了突触的分量。纳米技术专家、物理学家Wolfram Pernice点评说:“这些资料是自学的。” “特别令人兴奋的是,学习进程是直接在资料中完成。” “这种运用单个原子完成人工神经元和突触的方法非常高雅。”

  这种新型的神经形态架构的特色之一就是创建了“芯片上”的机器学习,从而消除了对经过外部计算机实施的“芯片外”练习计划的依靠,发现和探究能够依据数据自动习惯本身的资料,着重需求原子等级尺度的资料,这些资料可依据外部影响而固有地重新装备,并依据过去的经历展现出记忆力。

  经过表征给定突触装备的神经元的条件稳态散布,该研讨说明晰一个整体可以代表许多不同的概率散布。经过探究内在的神经突触动力学,揭示了呼应外部电影响的突触的自主重组。这种自习惯体系结构为直接在原子等级的硬件中进行芯片上机器学习铺平了路途,一起为模仿更挨近人脑的“量子大脑”迈进了一步。更多安防技术动态关注山西安防资质网!


Copyright © 2018-2020 山西安防资质网

 网站地图    

留言