Entrenamiento sin retropropagación de redes neuronales físicas profundas

Área de la Ciencia:

• Inteligencia artificial
• Aprendizaje profundo
• La computación física

Sus antecedentes:

• Los modelos de aprendizaje profundo logran el éxito con un mayor tamaño, pero enfrentan desafíos de energía y escalabilidad.
• Los métodos actuales de entrenamiento de aprendizaje profundo digital, como la retropropagación, no son adecuados para la implementación de hardware físico.

Objetivo del estudio:

• Proponer un nuevo algoritmo de aprendizaje físico local (PhyLL) para entrenar redes neuronales físicas profundas.
• Permitir el entrenamiento supervisado y no supervisado de redes neuronales físicas sin necesidad de un conocimiento detallado de sus propiedades no lineales.

Principales métodos:

• Se introdujo una arquitectura de red neuronal profunda simple integrada con el algoritmo PhyLL.
• Se han entrenado diversas redes neuronales físicas basadas en ondas utilizando PhyLL para tareas de clasificación de vocales e imágenes.

Principales resultados:

• Demostró la universalidad del enfoque PhyLL en diferentes configuraciones de redes neuronales físicas.
• Logró una velocidad de entrenamiento mejorada, una mayor robustez y un consumo de energía reducido en comparación con los esquemas de entrenamiento conscientes del hardware existentes.

Conclusiones:

• El algoritmo PhyLL ofrece un enfoque eficiente y amigable con el hardware para entrenar redes neuronales físicas.
• Este método supera las limitaciones de la retropropagación tradicional para las implementaciones físicas, reduciendo el cálculo digital y el uso de energía.