211service.com
Stochastische patroonherkenning presteert dramatisch beter dan conventionele technieken
Stochastisch computergebruik is een van de juweeltjes van logica. Het voordeel is in wezen dat het vermenigvuldigen net zo eenvoudig maakt als optellen.
Dat is belangrijk. Stel je voor dat je 0,4397625 en 0,8723489 toevoegt. Het is een berekening die je in een paar seconden in je hoofd zou kunnen doen. Maar stel je voor dat je die twee getallen in plaats daarvan vermenigvuldigt. Dat is nog steeds iets dat je in je hoofd zou kunnen doen, maar ik wed dat je je gelukkiger zou voelen als je naar een rekenmachine grijpt.
Conventionele computers hebben een soortgelijk probleem. Het toevoegen van getallen is eenvoudig, maar het vermenigvuldigen ervan is veel intensiever.
Stochastische computers veranderen dit allemaal. Dat komt omdat ze getallen vertegenwoordigen met behulp van waarschijnlijkheid: als een stroom bits met een bepaalde kans dat ze een getal zijn.
Een bitstroom die 0,25 vertegenwoordigt, kan bijvoorbeeld drie nullen voor elke 1 bevatten, hoewel de feitelijke verdeling van nullen en 1 verder willekeurig is.
Het grote voordeel komt van de kanswetten, die optellen in vermenigvuldiging veranderen: de kans dat twee gebeurtenissen samen voorkomen is gelijk aan hun kansen vermenigvuldigd. Dat betekent dat stochastische computers vermenigvuldiging kunnen doen met eenvoudige EN-poorten.
Een ander voordeel is dat stochastische computers fantastisch bestand zijn tegen ruis. Draai een paar bits om in een stochastische berekening en de kans is groot dat het resultaat volledig onaangetast blijft.
Natuurlijk is er een waarschuwing. Het is alleen mogelijk om een probabilistisch getal te ‘lezen’ door veel metingen te doen. Maar in bepaalde toepassingen maakt dat niet uit. Als het werkt, kan stochastisch computergebruik spectaculair succesvol zijn.
Vandaag onthullen Vincent Canals en vrienden van de Universiteit van de Balearen in Palma voor de kust van Spanje een goed voorbeeld.
Deze jongens hebben stochastisch computergebruik toegepast op het proces van patroonherkenning. Het probleem hier is om een ingangssignaal te vergelijken met een referentiesignaal om te bepalen of ze overeenkomen.
In de echte wereld zijn ingangssignalen natuurlijk altijd ruis, dus een systeem dat ruis aankan, heeft een duidelijk voordeel.
Canals en co gebruiken hun techniek om een autonoom voertuig te helpen zijn weg te vinden door een eenvoudige omgeving waarvoor het een interne kaart heeft. Voor deze taak moet het de afstand tot de muren eromheen meten en bepalen waar het zich op de kaart bevindt. Vervolgens berekent het een traject dat het naar zijn bestemming brengt.
Deze jongens zeggen dat hun voertuig in verschillende tests de optimale route heeft berekend die het moest nemen (hoewel ze zich niet druk maken over de details over hoe dit is gedaan, wat een potentieel belangrijke omissie is).
Maar hoeveel beter is de stochastische computerbenadering in vergelijking met een conventionele? Canals en co zeggen dat een conventionele microprocessor 70 keer sneller werkt dan een stochastische chip, maar alleen signalen in volgorde kan verwerken.
De stochastische chip kan daarentegen de signalen parallel verwerken. Dat maakt het tot drie ordes van grootte sneller dan een conventionele microprocessor bij het oplossen van de patroonherkenningstaak. Dat is een aanzienlijke verbetering.
Hoewel het idee van stochastisch computergebruik al een halve eeuw bestaat, zijn de pogingen om het te exploiteren nog maar net begonnen. Het is duidelijk dat er veel werk aan de winkel is. En aangezien één gedachtegang is dat de hersenen een stochastische computer zouden kunnen zijn, althans gedeeltelijk, kunnen er spannende tijden in het verschiet liggen.
Referentie: arxiv.org/abs/1202.4495 : Op stochastiek gebaseerde analyse van patroonherkenning