Rozpoznawanie wzorców stochastycznych znacznie przewyższa konwencjonalne techniki

Obliczenia stochastyczne to jeden z małych klejnotów logiki. Jego zaletą jest zasadniczo to, że mnożenie jest tak proste, jak dodawanie.

To znaczące. Wyobraź sobie dodanie 0,4397625 i 0,8723489. To kalkulacja, którą możesz wykonać w swojej głowie w kilka sekund. Ale wyobraź sobie pomnożenie tych dwóch liczb. To wciąż coś, co możesz zrobić w swojej głowie, ale założę się, że czulibyście się szczęśliwsi sięgając po kalkulator.

Podobny problem mają konwencjonalne komputery. Dodawanie liczb jest proste, ale mnożenie ich jest znacznie bardziej intensywne.

Komputery stochastyczne zmieniają to wszystko. Dzieje się tak, ponieważ reprezentują liczby za pomocą prawdopodobieństwa: jako strumień bitów z pewnym prawdopodobieństwem bycia liczbą.

Na przykład strumień bitów reprezentujący 0,25 może zawierać trzy zera na każde 1, mimo że rzeczywisty rozkład zer i 1 jest w innym przypadku losowy.

Wielką zaletą są prawa prawdopodobieństwa, które zamieniają dodawanie w mnożenie: szanse dwóch zdarzeń zachodzących razem są równe ich pomnożonym prawdopodobieństwu. Oznacza to, że komputery stochastyczne mogą wykonywać mnożenie za pomocą prostych bramek AND.

Kolejną zaletą jest to, że komputery stochastyczne są fantastycznie odporne na hałas. Odwróć kilka bitów w obliczeniach stochastycznych, a istnieje prawdopodobieństwo, że wynik będzie całkowicie nienaruszony.

Oczywiście jest zastrzeżenie. Liczbę probabilistyczną można „odczytać” tylko poprzez wykonanie wielu pomiarów. Ale w niektórych aplikacjach to nie ma znaczenia. Kiedy to działa, obliczenia stochastyczne mogą odnieść spektakularny sukces.

Dzisiaj Vincent Canals i przyjaciele z Uniwersytetu Balearów w Palmie u wybrzeży Hiszpanii podają dobry przykład.

Ci goście zastosowali obliczenia stochastyczne w procesie rozpoznawania wzorców. Problem polega na tym, aby porównać sygnał wejściowy z sygnałem odniesienia, aby określić, czy pasują do siebie.

W rzeczywistym świecie sygnały wejściowe są oczywiście zawsze zaszumione, więc system, który radzi sobie z szumami, ma oczywistą przewagę.

Canals i spółka wykorzystują swoją technikę, aby pomóc autonomicznemu pojazdowi poruszać się po prostym środowisku, dla którego ma wewnętrzną mapę. W tym celu musi zmierzyć odległość do otaczających go ścian i ustalić, gdzie się znajduje na mapie. Następnie oblicza trajektorię prowadzącą do celu.

Ci faceci twierdzą, że w kilku testach ich pojazd obliczył optymalną trasę, którą musiał przebyć (chociaż nie zawracają sobie głowy szczegółami, jak to zostało zrobione, co jest potencjalnie znaczącym pominięciem).

Ale o ile lepsze jest podejście do obliczeń stochastycznych w porównaniu z konwencjonalnym? Canals i spółka twierdzą, że konwencjonalny mikroprocesor działa 70 razy szybciej niż chip stochastyczny, ale może przetwarzać sygnały tylko w sekwencji.

Natomiast chip stochastyczny może przetwarzać sygnały równolegle. To sprawia, że ​​jest do trzech rzędów wielkości szybszy niż konwencjonalny mikroprocesor w rozwiązywaniu zadania rozpoznawania wzorców. To znacząca poprawa.

Chociaż idea obliczeń stochastycznych istnieje już od pół wieku, próby jej wykorzystania dopiero się rozpoczęły. Najwyraźniej jest wiele do zrobienia. A ponieważ jednym tokiem myślenia jest to, że mózg może być komputerem stochastycznym, przynajmniej częściowo, mogą nadejść ekscytujące czasy.

Nr ref.: arxiv.org/abs/1202.4495 : Stochastyczna analiza rozpoznawania wzorców

ukryć