211service.com
Stohastiskā modeļa atpazīšana ievērojami pārspēj parastās metodes
Stohastiskā skaitļošana ir viens no mazajiem loģikas dārgakmeņiem. Tās priekšrocība būtībā ir tā, ka tas padara reizināšanu tikpat vienkāršu kā saskaitīšanu.
Tas ir nozīmīgi. Iedomājieties, ka pievienojat 0,4397625 un 0,8723489. Tas ir aprēķins, ko jūs varētu izdarīt savā galvā dažu sekunžu laikā. Bet iedomājieties, ka tā vietā reizināt šos divus skaitļus. Tas joprojām ir kaut kas, ko jūs varētu darīt savā galvā, taču varu derēt, ka jūs justos laimīgāki, ķerdamies pie kalkulatora.
Parastajiem datoriem ir līdzīga problēma. Ciparu pievienošana ir vienkārša, taču to reizināšana ir daudz intensīvāka.
Stohastiskie datori to visu maina. Tas ir tāpēc, ka tie attēlo skaitļus, izmantojot varbūtību: kā bitu straumi ar noteiktu varbūtību, ka tie ir skaitlis.
Piemēram, bitu straumē, kas apzīmē 0,25, var būt trīs 0 katram 1, lai gan faktiskais 0 un 1 sadalījums citādi ir nejaušs.
Lielo priekšrocību sniedz varbūtības likumi, kas saskaitīšanu pārvērš reizināšanā: iespēja, ka divi notikumi notiks kopā, ir vienāda ar to varbūtības reizināšanu. Tas nozīmē, ka stohastiskie datori var veikt reizināšanu ar vienkāršiem UN vārtiem.
Vēl viena priekšrocība ir tā, ka stohastiskie datori ir fantastiski izturīgi pret troksni. Pagrieziet dažus bitus stohastiskā aprēķinā, un pastāv iespēja, ka rezultāts netiks ietekmēts.
Protams, ir brīdinājums. Varbūtības skaitli ir iespējams “nolasīt”, tikai veicot daudzus mērījumus. Bet dažās lietojumprogrammās tam nav nozīmes. Kad tas darbojas, stohastiskā skaitļošana var būt iespaidīgi veiksmīga.
Šodien Vincents Kanāls un draugi Baleāru salu universitātē Palmā pie Spānijas krastiem atklāj labu piemēru.
Šie puiši modeļu atpazīšanas procesā ir izmantojuši stohastisko skaitļošanu. Problēma šeit ir salīdzināt ieejas signālu ar atsauces signālu, lai noteiktu, vai tie sakrīt.
Protams, reālajā pasaulē ieejas signāli vienmēr ir trokšņaini, tāpēc sistēmai, kas spēj tikt galā ar troksni, ir acīmredzama priekšrocība.
Kanāli un citi izmanto savu tehniku, lai palīdzētu autonomam transportlīdzeklim pārvietoties pa vienkāršu vidi, kurai tam ir iekšējā karte. Šim uzdevumam ir jāizmēra attālums līdz sienām ap to un jānoskaidro, kur tas atrodas kartē. Pēc tam tas aprēķina trajektoriju, kas ved uz galamērķi.
Šie puiši saka, ka vairākos testos viņu transportlīdzeklis aprēķināja optimālo maršrutu, kas tam bija jāveic (lai gan viņi neuztraucas ar informāciju par to, kā tas tika izdarīts, kas, iespējams, ir būtisks izlaidums).
Bet cik daudz labāka ir stohastiskā skaitļošanas pieeja salīdzinājumā ar parasto? Canals un co saka, ka parasts mikroprocesors darbojas 70 reizes ātrāk nekā stohastiskā mikroshēma, bet var apstrādāt signālus tikai secīgi.
Turpretim stohastiskā mikroshēma signālus var apstrādāt paralēli. Tas padara to par trīs kārtām ātrāku nekā parastais mikroprocesors, risinot modeļa atpazīšanas uzdevumu. Tas ir būtisks uzlabojums.
Lai gan ideja par stohastisko skaitļošanu pastāv jau pusgadsimtu, mēģinājumi to izmantot ir tikai sākušies. Skaidrs, ka ir daudz darāmā. Un tā kā viens no domu virzieniem ir tāds, ka smadzenes vismaz daļēji varētu būt stohastisks dators, priekšā varētu būt aizraujoši laiki.
Atsauce: arxiv.org/abs/1202.4495 : Stohastiskā modeļa atpazīšanas analīze