This post is also available in: enEnglish (אנגלית)

כיצד נוכל לאמן מודלי רשתות עצביות מסובכים באופן מהר יותר עם פחות משאבים? חלק מהחוקרים מציעים להשקיע בענף החדש של בינה מלאכותית  בשם 'למידה עמוקה אנלוגית'. למידה עמוקה אנלוגית מבטיחה עיבוד נתונים מהיר יותר עם צריכת אנרגיה נמוכה יותר. חוקרים פתחו רשת אנלוגית של 'נוירונים' וסינפסות' מלאכותיות שיכולות לבצע חישובים בדומה לרשת עצבית דיגיטלית על ידי חזרה על מערך נגדים בשכבות מרכבות. כך, רשת זו יכולה להיות מאומנת באמצעות משימות בינה מלאכותית מסובכות כגון זיהוי ויזואלי ועיבוד שפה טבעית. 

Marktechpost.com כותבים שישנם 2 סיבות עיקריות שבגללן למידה עמוקה אנלוגית יותר מהיר ויעילה יותר מהגרסה הדיגיטלית שלה. הפקטור העיקרי הוא שתהליכי המחשוב העיקריים מעובדים באזורי הזיכרון, עובדה המונעת מכמויות ענקיות של דאטה להיות מועברים שוב ושוב מפרוססור לאזורי זיכרון. בנוסף לכך, פרוססורים אנלוגיים יכולים לבצע מספר תהליכים במקביל. למידה עמוקה אנלוגית יכולה להתאפשר באמצעות שימוש בפרוססור שמגוון בין חיבוריות חשמלית של נגדים פרוטונים. למידה מתרחשת במוח האנושי בעקבות חיזוק והחלשה של סינפסות, החיבורים בין נוירונים. מאז פיתוחה, רשתות עצביות עמוקות השתמשו באנלוגיה זו, בה תהליכי אימון מנוצלים על מנת לעצב את צורת הרשת והאופן בה היא מתפקדת. 

בנוסף, למידה עמוקה אנלוגית יכולה לספוג שדות חשמליים חזקים מאוד בפולסים. הנגד מסוגל לעבוד בהצלחה במשך מיליוני מעגלים ללא כשלון מכיוון שהפרוטונים לא מזיקים לחומר. יכולת זו הופכת את הלמידה למהירה ביותר פי מיליון. ויותר מכך, הלמידה יכולה לתפקד באופן יעיל בטמפרטורת החדר, עובדה שמאפשרת אינטגרציה אל תוך מכשירי מחשוב. 

מעוניינים לצלול אל תוך עולם העתידנות הטכנולוגית? – הירשמו לINNOTECH 2022, הכנס והתערוכה הבינלאומיים לסייבר, HLS וחדשנות באקספו תל אביב ב2-3 בנובמבר.

מעוניינים בחסות / ביתן תצוגה בתערוכת ה-INNOTECH 2022? לחצו כאן לפרטים!