Stokastisk mønstergenkendelse overgår drastisk konventionelle teknikker

Stokastisk databehandling er en af ​​logikkens små perler. Dens fordel er i det væsentlige, at det gør multiplikation lige så let som addition.

Det er væsentligt. Forestil dig at tilføje 0,4397625 og 0,8723489. Det er en beregning, du kan lave i dit hoved på få sekunder. Men forestil dig at gange disse to tal i stedet for. Det er stadig noget, du kan gøre i dit hoved, men jeg vil vædde på, at du ville føle dig gladere ved at række ud efter en lommeregner.

Konventionelle computere har et lignende problem. Det er ligetil at tilføje tal, men at gange dem er meget mere intensivt.

Stokastiske computere ændrer alt dette. Det er fordi de repræsenterer tal ved hjælp af sandsynlighed: som en strøm af bits med en vis sandsynlighed for at være et tal.

For eksempel kan en bitstrøm, der repræsenterer 0,25, indeholde tre 0'ere for hver 1'er, selvom den faktiske fordeling af 0'er og 1 ellers er tilfældig.

Den store fordel kommer fra sandsynlighedslovene, som gør addering til multiplikation: chancerne for at to begivenheder opstår sammen er lig med deres sandsynligheder ganget. Det betyder, at stokastiske computere kan multiplicere med simple OG-porte.

En anden fordel er, at stokastiske computere er fantastisk robuste over for støj. Vend et par bits i en stokastisk beregning, og chancerne er, at resultatet vil være helt upåvirket.

Selvfølgelig er der en advarsel. Det er kun muligt at ’læse’ et sandsynlighedstal ved at lave en masse målinger. Men i visse applikationer betyder det ikke noget. Når det virker, kan stokastisk databehandling være spektakulært vellykket.

I dag afslører Vincent Canals og venner ved University of the Balearic Islands i Palma ud for Spaniens kyst et godt eksempel.

Disse fyre har anvendt stokastisk databehandling til processen med mønstergenkendelse. Problemet her er at sammenligne et inputsignal med et referencesignal for at afgøre, om de matcher.

I den virkelige verden er inputsignaler selvfølgelig altid støjende, så et system, der kan klare støj, har en åbenlys fordel.

Kanaler og co bruger deres teknik til at hjælpe et autonomt køretøj med at navigere sig vej gennem et simpelt miljø, som det har et internt kort til. Til denne opgave skal den måle afstanden til væggene omkring den og finde ud af, hvor den er på kortet. Den beregner derefter en bane, der fører den til sin destination.

Disse fyre siger, at deres køretøj i flere test beregnede den optimale rute, det skulle tage (selvom de ikke gider detaljerne om, hvordan dette blev gjort, hvilket er en potentielt væsentlig udeladelse).

Men hvor meget bedre er den stokastiske databehandlingstilgang sammenlignet med en konventionel? Canals og co siger, at en konventionel mikroprocessor fungerer 70 gange hurtigere end en stokastisk chip, men kan kun behandle signaler i rækkefølge.

Derimod kan den stokastiske chip behandle signalerne parallelt. Det gør det op til tre størrelsesordener hurtigere end en konventionel mikroprocessor til at løse mønstergenkendelsesopgaven. Det er en væsentlig forbedring.

Selvom ideen om stokastisk databehandling har eksisteret i et halvt århundrede, er forsøg på at udnytte kun lige begyndt. Der er tydeligvis meget arbejde at gøre. Og da en tankegang er, at hjernen måske er en stokastisk computer, i det mindste delvist, kan der være spændende tider forude.

Ref: arxiv.org/abs/1202.4495 : Stokastisk-baseret mønstergenkendelsesanalyse

skjule