比传统机器学习算法快1000倍——联想学习法

英国牛津大学材料系研究人员联合埃克塞特大学和明斯特大学的同事开发了一种片上光学处理器，能检测数据集中的相似性，速度比在电子处理器上运行的传统机器学习算法快1000倍。发表在《光学》杂志上的这项新研究的灵感来自诺贝尔奖获得者伊万·巴甫洛夫对经典条件反射的发现。

巴甫洛夫在实验中发现，如果在喂食过程中提供另一种刺激，例如铃铛或节拍器的声音，使狗将这两种体验联系起来，那它只听到声音就会流口水。两个不相关的事件配对在一起的重复关联可产生学习反应，也就是条件反射。

大多数AI系统中使用的神经网络在学习过程中通常需要大量数据示例，比如训练模型可靠地识别出猫，可能需要多达10000张猫/非猫图像，造成计算和处理成本居高不下。

关联单子学习元素（AMLE）不是依靠神经网络青睐的反向传播来“微调”结果，而是使用一种记忆材料来学习模式，将数据集中的相似特征关联在一起，以模仿巴甫洛夫在案例中观察到的条件反射的“比赛”。

在测试中，仅用5对图像训练后，AMLE就可正确识别猫/非猫图像。

与传统电子芯片相比，新型光学芯片具有相当可观的性能，这归因于设计上的两个关键差异：一种独特的网络架构，将联想学习作为构建块，而不是使用神经元和神经网络；使用“波分复用”在单个通道上发送不同波长的多个光信号，以提高计算速度。

该设备自然地捕捉数据集中的相似性，同时使用光并行以提高整体计算速度，这远远超过了传统电子芯片的能力。

研究人员表示，联想学习方法可作为神经网络的补充，而不是取代它们。对于不需要对数据集中高度复杂的特征进行大量分析的问题，它更有效。许多学习任务都是基于数量的，复杂程度并不高。在这些情况下，联想学习可更快地完成任务，并且计算成本更低。