您想知道的人工智能干貨,第一時間送達
輪到物理學(xué)家來揭示神經(jīng)網(wǎng)絡(luò)的本質(zhì)了:他們在嘗試讓宇宙為我們處理數(shù)據(jù),。編輯 | 岑峰 在一個隔音的板條箱里有著一個世界上最糟糕的神經(jīng)網(wǎng)絡(luò),。在看到數(shù)字6的圖像后,這個神經(jīng)網(wǎng)絡(luò)會暫停片刻,,然后顯示出自己識別出的數(shù)字:0,。康奈爾大學(xué)的物理學(xué)家兼工程師Peter McMahon主導(dǎo)了這個神經(jīng)網(wǎng)絡(luò)的開發(fā),,他不好意思地笑著說,,這是因為手寫的數(shù)字看起來很潦草。一位從NTT研究所來訪問McMahon實驗室的博士后Logan Wright說,,這個設(shè)備通常會給出正確的答案,,不過他也承認(rèn),出錯也很常見。盡管表現(xiàn)平平,,但這種神經(jīng)網(wǎng)絡(luò)是一個開創(chuàng)性的研究,。研究人員把板條箱翻了過來,露出的不是電腦芯片,,而是一個話筒,,話筒朝著固定在揚聲器上的鈦板傾斜。不同于運行在0和1的數(shù)字世界中的神經(jīng)網(wǎng)絡(luò),,這個設(shè)備是以聲音原理運行的,。當(dāng)賴特給出一個數(shù)字的圖像時,圖像的像素被轉(zhuǎn)換成音頻,,然后揚聲器振動鈦板,使得實驗室里充滿了微弱的嘰嘰喳喳聲,。也就是說進行“讀取”操作的是金屬回聲,,而不是運行在硅芯片上的軟件。這款設(shè)備的成功讓人覺得難以置信,,就連其設(shè)計者也不例外,。McMahon說:“無論震動金屬的作用是什么,都不應(yīng)該與對手寫數(shù)字進行分類有任何關(guān)系,?!?/span>今年1月,康奈爾大學(xué)的研究小組在《Nature》雜志上發(fā)表了一篇論文,,標(biāo)題是“反向傳播訓(xùn)練的深度物理神經(jīng)網(wǎng)絡(luò)(Deep physical neural networks trained with backpropagation)”,。這篇論文介紹了這種設(shè)備的原始閱讀能力,這給McMahon和其他人帶來了希望,,這告訴他們,,該種設(shè)備進行多次改進后可能會給計算帶來革命性的變化。論文鏈接:https://www./articles/s41586-021-04223-6當(dāng)談到傳統(tǒng)的機器學(xué)習(xí)時,,計算機科學(xué)家發(fā)現(xiàn)神經(jīng)網(wǎng)絡(luò)越大越好,。具體原因可以參見下圖中的文章,這篇叫做“計算機科學(xué)家證明為什么越大的神經(jīng)網(wǎng)絡(luò)表現(xiàn)越好(Computer Scientists Prove Why Bigger Neural Networks Do Better)”的文章中證明了:如果希望網(wǎng)絡(luò)能夠可靠地記住其訓(xùn)練數(shù)據(jù),,那么過度參數(shù)化不僅有效,,而且還需要強制性執(zhí)行。文章地址:https://www./computer-scientists-prove-why-bigger-neural-networks-do-better-20220210/一個神經(jīng)網(wǎng)絡(luò)中填充更多的人工神經(jīng)元(存儲數(shù)值的節(jié)點),,可以提高其區(qū)分臘腸犬和達爾馬提亞犬的能力,,也可以使其成功完成無數(shù)其他模式識別任務(wù)。真正巨大的神經(jīng)網(wǎng)絡(luò)能夠完成寫論文(如OpenAI的GPT-3),、畫插圖(比如OpenAI的DALL·E,、DALL·E2和Google的Imagen),以及更多讓人細(xì)思極恐的高難度任務(wù)。有了更多的計算能力,,更偉大的壯舉也便成為可能,。這種可能性鼓勵著人們努力開發(fā)更強大、更高效的計算方法,。McMahon和一群志同道合的物理學(xué)家擁護一種非常規(guī)的方法:讓宇宙為我們處理數(shù)據(jù),。McMahon說:“許多物理系統(tǒng)自然能夠比計算機更高效或更快地進行某些計算?!彼燥L(fēng)洞為例:當(dāng)工程師們設(shè)計一架飛機時,,他們可能會把藍(lán)圖數(shù)字化,然后花幾個小時在超級計算機上模擬機翼周圍的空氣流動,?;蛘撸麄円部梢园扬w行器放在風(fēng)洞里看看能不能飛起來,。從計算的角度來看,,風(fēng)洞可以立即“計算”飛機機翼與空氣的相互作用。圖注:康奈爾大學(xué)團隊成員Peter McMahon和Tatsuhiro Onodera在為完成學(xué)習(xí)任務(wù)的各種物理系統(tǒng)編寫程序,。圖源:Dave Burbank風(fēng)洞能模擬空氣動力學(xué),,是一種功能專一的機器。像McMahon這樣的研究人員正在研究一種可以學(xué)習(xí)做任何事情的設(shè)備——一種可以通過試錯來調(diào)整自身行為從而獲得任何新能力的系統(tǒng),,比如對手寫數(shù)字進行分類,,或者區(qū)分一個元音和另一個元音等能力。最新研究表明,,像光波,、超導(dǎo)體網(wǎng)絡(luò)和電子分支流這樣的物理系統(tǒng)都可以進行學(xué)習(xí)。瑞士蘇黎世聯(lián)邦理工學(xué)院的數(shù)學(xué)家Benjamin Scellier說,,他幫助設(shè)計了一種新的物理學(xué)習(xí)算法,,“我們不僅在重塑硬件,還重塑了整個計算范式”,。學(xué)習(xí)是一個極為獨特的過程,,在十年以前,大腦是唯一能做到學(xué)習(xí)的系統(tǒng),。正是大腦的結(jié)構(gòu)在一定程度上啟發(fā)了計算機科學(xué)家設(shè)計深度神經(jīng)網(wǎng)絡(luò)這個目前最流行的人工學(xué)習(xí)模型,。深度神經(jīng)網(wǎng)絡(luò)是一種通過實踐來學(xué)習(xí)的計算機程序。深度神經(jīng)網(wǎng)絡(luò)可以被認(rèn)為是一個網(wǎng)格:用來存儲值的節(jié)點層被稱為神經(jīng)元,,神經(jīng)元通過線連接到相鄰層的神經(jīng)元,,這種線也叫“突觸”。最初,,這些突觸只是被稱為“權(quán)重”的隨機數(shù),。想讓網(wǎng)絡(luò)讀取4,,可以讓第一層神經(jīng)元表示4的原始圖像,可以將每個像素的陰影作為一個值存儲在相應(yīng)的神經(jīng)元中,。然后網(wǎng)絡(luò)進行“思考”,,一層一層地移動,用神經(jīng)元值乘以突觸權(quán)值來填充下一層神經(jīng)元,。最后一層中值最大的神經(jīng)元就是神經(jīng)網(wǎng)絡(luò)的答案,。例如,如果這是第二個神經(jīng)元,,網(wǎng)絡(luò)猜測自己看到了2,。為了教網(wǎng)絡(luò)做出更聰明的猜測,學(xué)習(xí)算法會反向工作,。在每次嘗試之后,,它會計算出猜測和正確答案之間的差值(在我們的例子中,這個差值將由最后一層的第四個神經(jīng)元的高值和其他地方的低值表示),。然后,,算法通過網(wǎng)絡(luò)一層一層地往回走,計算如何調(diào)整權(quán)值,,以使最終神經(jīng)元的值根據(jù)需要上升或下降。這個過程被稱為反向傳播,,是深度學(xué)習(xí)的核心,。通過重復(fù)多次猜測和調(diào)整,反向傳播將權(quán)重引導(dǎo)到一組數(shù)字,,這些數(shù)字將通過一幅圖像發(fā)起的級聯(lián)乘法輸出結(jié)果,。圖源:Quanta 雜志Merrill Sherman但與大腦的思考相比,人工神經(jīng)網(wǎng)絡(luò)中的數(shù)字化學(xué)習(xí)看起來效率非常低,。在每天攝入不到2000卡路里熱量的情況下,,一個人類兒童在幾年內(nèi)就能學(xué)會說話、閱讀,、玩游戲以及更多的東西,。在如此有限的能量條件下,能夠流暢對話的GPT-3神經(jīng)網(wǎng)絡(luò)可能需要一千年才能學(xué)會聊天,。從物理學(xué)家的角度來看,,一個大型數(shù)字神經(jīng)網(wǎng)絡(luò)只是試圖去做過多的數(shù)學(xué)運算。如今最大的神經(jīng)網(wǎng)絡(luò)必須記錄和操縱超過5000億個數(shù)字,。這個驚人的數(shù)字出自下圖中的論文“Pathways 語言模型 (PaLM):擴展到 5400 億個參數(shù)以實現(xiàn)突破性性能(Pathways Language Model (PaLM): Scaling to 540 Billion Parameters for Breakthrough Performance)”:論文鏈接:https://ai./2022/04/pathways-language-model-palm-scaling-to.html與此同時,,宇宙不斷出現(xiàn)的任務(wù)遠(yuǎn)遠(yuǎn)超出了計算機微薄的計算能力的極限。一個房間里可能有數(shù)萬億的空氣分子在四處彈跳,。對于一個成熟的碰撞模擬來說,,這是計算機無法追蹤的移動對象的數(shù)量,但空氣本身卻能輕松決定自己每時每刻的行為。我們目前的挑戰(zhàn)是建立一個能夠自然完成人工智能所需兩個過程的物理系統(tǒng),,這兩個過程分別是——對圖像進行分類的“思考”,,以及正確分類這類圖像所需的“學(xué)習(xí)”。一個掌握了這兩項任務(wù)的系統(tǒng)才是真正利用了宇宙的數(shù)學(xué)能力,,而不僅僅是做數(shù)學(xué)計算,。“我們從來沒有計算過3.532乘以1.567之類的,”Scellier說,?!跋到y(tǒng)會計算,不過是通過遵循物理定律的方式隱含地計算,?!?/span>McMahon和合作學(xué)者們已經(jīng)在這個謎題的“思考”部分取得了進展。在新冠疫情發(fā)生前的幾個月,,McMahon在康奈爾大學(xué)建立了實驗室,,他仔細(xì)思考了一個奇怪的發(fā)現(xiàn)。多年來,,表現(xiàn)最出色的圖像識別神經(jīng)網(wǎng)絡(luò)已經(jīng)變得越來越深度,。也就是說,有更多層的網(wǎng)絡(luò)能夠更好地接收一堆像素并給出標(biāo)簽,,如“獅子狗”,。這一趨勢啟發(fā)數(shù)學(xué)家們研究神經(jīng)網(wǎng)絡(luò)實現(xiàn)的轉(zhuǎn)換(從像素到“獅子狗”),在2017年幾個小組在論文“任意深度殘差神經(jīng)網(wǎng)絡(luò)的可逆結(jié)構(gòu)(Reversible Architectures for Arbitrarily Deep Residual Neural Networks)”中提出,,神經(jīng)網(wǎng)絡(luò)的行為是一個平滑數(shù)學(xué)函數(shù)的近似版本,。論文地址:https:///abs/1709.03698在數(shù)學(xué)中,函數(shù)將輸入(通常是x值)轉(zhuǎn)換為輸出(曲線在這個位置的y值或高度),。在特定類型的神經(jīng)網(wǎng)絡(luò)中,,層數(shù)越多效果越好,因為函數(shù)不那么參差不齊,,更接近于某種理想曲線,。這項研究引起了McMahon的思考。也許通過一個平穩(wěn)變化的物理系統(tǒng),,人們可以避開數(shù)字方法中固有的阻塞,。訣竅在于找到一種馴化復(fù)雜系統(tǒng)的方法——通過訓(xùn)練來調(diào)整它的行為。McMahon和他的合作者選擇鈦板作為這樣一個系統(tǒng),,因為鈦板的許多振動模式以復(fù)雜的方式混合傳入的聲音,。為了使平板像神經(jīng)網(wǎng)絡(luò)一樣工作,他們輸入一種編碼輸入圖像的聲音(例如手寫的6)和另一種表示突觸權(quán)重的聲音,。聲音的峰值和波谷需要在正確的時間撞擊鈦板,,以便設(shè)備合并聲音并給出答案——例如,,一個新的聲音在六毫秒內(nèi)最響,代表“6”的分類,。圖注:康奈爾大學(xué)的一個研究小組訓(xùn)練了三種不同的物理系統(tǒng)來“讀取”手寫數(shù)字:從左到右分別是一個振動的鈦板,、一個晶體和一個電子電路。圖源:左圖中圖為康奈爾大學(xué)Rob Kurcoba攝,;右圖為Quanta 雜志 Charlie Wood攝,。該小組還在一個光學(xué)系統(tǒng)中實現(xiàn)了他們的方案——輸入圖像和權(quán)重被編碼在兩束由晶體混合在一起的光束中——以及一個能夠類似地變換輸入的電子電路中。原則上,,任何具有拜占庭行為的系統(tǒng)都可以如此,,但是研究人員相信光學(xué)系統(tǒng)具有特殊的前景。晶體不僅能極快地混合光線,,而且光線還包含了關(guān)于世界的豐富數(shù)據(jù),。McMahon想象他的光學(xué)神經(jīng)網(wǎng)絡(luò)的微縮版本有一天會成為自動駕駛汽車的眼睛,能夠識別停車標(biāo)志和行人,,然后將信息輸入汽車的計算機芯片,,就像我們的視網(wǎng)膜對進來的光進行一些基本的視覺處理一樣。然而,,這些系統(tǒng)的致命弱點在于,,訓(xùn)練它們需要回歸數(shù)字世界。反向傳播涉及到反向運行神經(jīng)網(wǎng)絡(luò),,但是底片和晶體不能輕易地分解聲音和光,。因此,該團隊為每個物理系統(tǒng)構(gòu)建了一個數(shù)字模型,。在筆記本電腦上反轉(zhuǎn)這些模型,他們可以使用反向傳播算法來計算如何調(diào)整權(quán)重以給出準(zhǔn)確的答案,。通過這一訓(xùn)練,,這塊鈦板學(xué)會了對手寫數(shù)字進行分類,正確率為87%,。而上圖中的電路和激光的精度分別達到93%和97%,。研究結(jié)果表明“不僅標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)可以通過反向傳播進行訓(xùn)練,”法國國家科學(xué)研究中心(CNRS)的物理學(xué)家Julie Grollier說,,“這太美了,。”該研究小組的振動鈦板還沒有使計算的效率接近大腦的驚人效率,,這個設(shè)備甚至不及數(shù)字神經(jīng)網(wǎng)絡(luò)的速度,。但McMahon認(rèn)為他的設(shè)備十分驚人,因為這種設(shè)備證明了人不只可以用大腦或電腦芯片來思考,。“任何物理系統(tǒng)都可以是神經(jīng)網(wǎng)絡(luò),?!?/span>他說。另一個的難題是——如何讓一個系統(tǒng)完全自主學(xué)習(xí),。德國馬克斯·普朗克光科學(xué)研究所的物理學(xué)家Florian Marquardt認(rèn)為,,有一種方法是建造一臺倒著運行的機器。去年,,他和一個合作者在論文“基于Hamiltonian回波反向傳播的自學(xué)習(xí)機器(Self-learning Machines based on Hamiltonian Echo Backpropagation)”中提出了一個可以在這樣的系統(tǒng)上運行的反向傳播算法的物理模擬,。論文地址:https:///abs/2103.04992為了證明這是可行的,他們用數(shù)字技術(shù)模擬了一種類似于McMahon設(shè)備的激光裝置,,將可調(diào)的權(quán)重編碼在一種光波中,,與另一種輸入波(編碼,比如圖像)混合,。他們使輸出更接近正確的答案,,并使用光學(xué)組件來分解波,反轉(zhuǎn)這個過程,?!吧衿娴氖牵?Marquardt說,,“當(dāng)你用相同的輸入再一次嘗試設(shè)備時,,輸出傾向于更接近你想要的位置?!?接下來,,他們正在與實驗人員合作建立這樣一個系統(tǒng)。但是專注于反向運行的系統(tǒng)限制了選擇,,所以其他研究人員將反向傳播完全拋在了后面,。因為知道大腦學(xué)習(xí)的方式不是標(biāo)準(zhǔn)的反向傳播,所以他們的研究沒有受到打擊,,反而更進一步,。“大腦不是反向傳播的,,”斯塞利爾說,,當(dāng)神經(jīng)元A與神經(jīng)元B交流時,“傳播是單向的,?!?/span>圖注:CNRS的物理學(xué)家Julie Grollier實現(xiàn)了一種物理學(xué)習(xí)算法,被視為反向傳播的一種有希望的替代方案,。圖源:Christophe Caudroy2017年,,Scellier和蒙特利爾大學(xué)的計算機科學(xué)家Yoshua Bengio開發(fā)了一種稱為平衡傳播的單向?qū)W習(xí)方法。我們可以這樣了解其運作方式:想象一個像神經(jīng)元一樣的箭頭網(wǎng)絡(luò),,它們的方向表示0或1,,由作為突觸權(quán)重的彈簧連接在網(wǎng)格中,。彈簧越松,連接的箭頭就越不容易對齊,。首先,,旋轉(zhuǎn)最左邊一行的箭頭,以反映手寫數(shù)字的像素,,然后在保持最左邊一行的箭頭不變,,讓這種擾動通過彈簧擴散出去轉(zhuǎn)動其他箭頭。當(dāng)翻轉(zhuǎn)停止時,,最右邊的箭頭給出了答案,。關(guān)鍵是,我們不需要通過翻轉(zhuǎn)箭頭來訓(xùn)練這個系統(tǒng),。相反,,我們可以在網(wǎng)絡(luò)底部連接另一組顯示正確答案的箭頭,這些正確的箭頭會使上面這組箭頭翻轉(zhuǎn),,整個網(wǎng)格就進入了一個新的平衡狀態(tài),。最后,將箭頭的新方向與舊方向進行比較,,并相應(yīng)地擰緊或松開每個彈簧,。經(jīng)過多次試驗,彈簧獲得了更聰明的張力,,Scellier和Bengio已經(jīng)證明,,這種張力相當(dāng)于反向傳播。“人們認(rèn)為物理神經(jīng)網(wǎng)絡(luò)和反向傳播之間不可能存在聯(lián)系,,” Grollier說,,“最近情況發(fā)生了變化,這非常令人興奮,?!?/span>關(guān)于平衡傳播的最初工作都是理論性的。但在一篇即將發(fā)表的文章中,,Grollier和CNRS的物理學(xué)家Jérémie Laydevant描述了該算法在D-Wave公司制造的量子退火機器上的執(zhí)行,。該裝置有一個由數(shù)千個相互作用的超導(dǎo)體組成的網(wǎng)絡(luò),,它們可以像彈簧連接的箭頭一樣,,自然地計算出“彈簧”應(yīng)該如何更新。然而,,系統(tǒng)不能自動更新這些突觸權(quán)重,。至少有一個團隊已經(jīng)收集了一些部件來構(gòu)建一個用物理學(xué)來完成所有繁重工作的電子電路,其能完成的工作有思考,、學(xué)習(xí)和更新權(quán)重,。賓夕法尼亞大學(xué)的物理學(xué)家Sam Dillavou說:“我們已經(jīng)能夠為一個小系統(tǒng)閉合回路,。”圖注:賓夕法尼亞大學(xué)的物理學(xué)家Sam Dillavou修補了一個可以在學(xué)習(xí)過程中自我修改的電路,。Dillavou和合作者的目標(biāo)是模仿大腦,,大腦才是真正的智能,其是一個相對統(tǒng)一的系統(tǒng),,不需要任何單一結(jié)構(gòu)來發(fā)號施令,。“每個神經(jīng)元都在做自己的事情,,”他說,。為此,他們構(gòu)建了一個自學(xué)習(xí)電路,,在這個電路中作為突觸權(quán)重的是可變電阻,,神經(jīng)元是電阻之間測量的電壓。為了對給定的輸入進行分類,,這個電路將數(shù)據(jù)轉(zhuǎn)換為施加到幾個節(jié)點上的電壓,。電流通過電路,尋找耗散能量最少的路徑,,并在穩(wěn)定時改變電壓,。答案就是指定輸出節(jié)點的電壓。該想法的創(chuàng)新在于具有挑戰(zhàn)性的學(xué)習(xí)步驟,,為此他們設(shè)計了一種類似于均衡傳播的方案,,稱為耦合學(xué)習(xí)(coupled learning)。當(dāng)一個電路接收數(shù)據(jù)并“猜出”一個結(jié)果時,,另一個相同的電路從正確答案開始,,并將其納入其行為中。最后,,連接每一對電阻的電子器件會自動比較它們的值,,并調(diào)整它們,以實現(xiàn)“更智能”的配置,。這個小組在去年夏天的預(yù)印本(參加下圖)中描述了他們的基本電路,,這篇名叫“去中心化證明,物理驅(qū)動學(xué)習(xí)(Demonstration of Decentralized, Physics-Driven Learning)”的論文中顯示這個電路可以學(xué)習(xí)區(qū)分三種類型的花,,準(zhǔn)確率達到95%,。而現(xiàn)在他們正在研發(fā)一款更快、功能更強的設(shè)備,。論文地址:https:///abs/2108.00275即便是這種升級也無法擊敗最先進的硅芯片,。但建造這些系統(tǒng)的物理學(xué)家們懷疑,與模擬網(wǎng)絡(luò)相比,,盡管數(shù)字神經(jīng)網(wǎng)絡(luò)如今看起來很強大,,但最終也會顯得緩慢和不足,。數(shù)字神經(jīng)網(wǎng)絡(luò)只能擴大到一定程度,否則就會陷入過度的計算,,但更大的物理網(wǎng)絡(luò)只需要做自己就好,。“這是一個非常大的、快速發(fā)展的,、變化多端的領(lǐng)域,,我深信一些非常強大的計算機將會用這些原理制造出來?!盌illavou說,。原文鏈接: https://www./how-to-make-the-universe-think-for-us-20220531/
|