Stokastisk mönsterigenkänning överträffar dramatiskt konventionella tekniker

Stokastisk beräkning är en av logikens små pärlor. Dess fördel är i huvudsak att den gör multiplikation lika enkel som addition.

Det är betydelsefullt. Föreställ dig att du lägger till 0,4397625 och 0,8723489. Det är en uträkning du kan göra i ditt huvud på några sekunder. Men tänk dig att multiplicera de två talen istället. Det är fortfarande något du kan göra i ditt huvud, men jag slår vad om att du skulle känna dig lyckligare när du sträcker dig efter en miniräknare.

Konventionella datorer har ett liknande problem. Att lägga till siffror är enkelt men att multiplicera dem är mycket mer intensivt.

Stokastiska datorer förändrar allt detta. Det beror på att de representerar tal med hjälp av sannolikhet: som en ström av bitar med en viss sannolikhet att vara ett tal.

Till exempel kan en bitström som representerar 0,25 innehålla tre nollor för varje 1, även om den faktiska fördelningen av 0:or och 1 annars är slumpmässig.

Den stora fördelen kommer från sannolikhetslagarna, som gör addering till multiplikation: chansen att två händelser inträffar tillsammans är lika med deras sannolikheter multiplicerat. Det betyder att stokastiska datorer kan multiplicera med enkla OCH-grindar.

En annan fördel är att stokastiska datorer är fantastiskt robusta mot brus. Vänd några bitar i en stokastisk beräkning och chansen är att resultatet kommer att vara helt opåverkat.

Naturligtvis finns det en varning. Det är bara möjligt att 'läsa' ett probabilistiskt tal genom att göra många mätningar. Men i vissa applikationer spelar det ingen roll. När det fungerar kan stokastisk beräkning vara spektakulärt framgångsrik.

Idag avslöjar Vincent Canals och kompisar vid University of the Balearic Islands i Palma utanför Spaniens kust ett bra exempel.

Dessa killar har tillämpat stokastisk datoranvändning på processen för mönsterigenkänning. Problemet här är att jämföra en insignal med en referenssignal för att avgöra om de matchar.

I den verkliga världen är naturligtvis insignaler alltid brusiga så ett system som klarar av brus har en uppenbar fördel.

Canals och co använder sin teknik för att hjälpa ett autonomt fordon att navigera sig igenom en enkel miljö som den har en intern karta för. För denna uppgift måste den mäta avståndet till väggarna runt den och räkna ut var den är på kartan. Den beräknar sedan en bana som tar den till sin destination.

Dessa killar säger att deras fordon i flera tester beräknade den optimala vägen det behövde ta (även om de inte bryr sig om detaljerna om hur detta gjordes, vilket är en potentiellt betydande utelämnande).

Men hur mycket bättre är den stokastiska beräkningsmetoden jämfört med en konventionell? Canals och co säger att en konventionell mikroprocessor fungerar 70 gånger snabbare än ett stokastiskt chip men kan bara bearbeta signaler i sekvens.

Däremot kan det stokastiska chipet behandla signalerna parallellt. Det gör den upp till tre storleksordningar snabbare än en konventionell mikroprocessor när det gäller att lösa mönsterigenkänningsuppgiften. Det är en betydande förbättring.

Även om idén om stokastisk datoranvändning har funnits i ett halvt sekel, har försöken att exploatera bara börjat. Det är klart att det finns mycket att göra. Och eftersom en tankegång är att hjärnan kan vara en stokastisk dator, åtminstone delvis, kan det vara spännande tider framför oss.

Ref: arxiv.org/abs/1202.4495 : Stokastisk-baserad mönsterigenkänningsanalys

Dölj