211service.com
Stochastische Mustererkennung übertrifft konventionelle Techniken drastisch
Stochastisches Rechnen ist eines der kleinen Juwelen der Logik. Sein Vorteil besteht im Wesentlichen darin, dass die Multiplikation so einfach wie die Addition ist.
Das ist bedeutsam. Stellen Sie sich vor, Sie addieren 0,4397625 und 0,8723489. Es ist eine Berechnung, die Sie in wenigen Sekunden in Ihrem Kopf durchführen könnten. Aber stellen Sie sich vor, Sie multiplizieren stattdessen diese beiden Zahlen. Das ist immer noch etwas, was Sie in Ihrem Kopf tun könnten, aber ich wette, Sie würden sich glücklicher fühlen, nach einem Taschenrechner zu greifen.
Herkömmliche Computer haben ein ähnliches Problem. Das Addieren von Zahlen ist einfach, aber das Multiplizieren ist viel intensiver.
Stochastische Computer ändern all dies. Das liegt daran, dass sie Zahlen mit Wahrscheinlichkeit darstellen: als einen Strom von Bits mit einer bestimmten Wahrscheinlichkeit, eine Zahl zu sein.
Beispielsweise könnte ein Bitstrom, der 0,25 darstellt, drei Nullen für jede 1 enthalten, obwohl die tatsächliche Verteilung von Nullen und Eins ansonsten zufällig ist.
Der große Vorteil ergibt sich aus den Wahrscheinlichkeitsgesetzen, die aus der Addition eine Multiplikation machen: Die Wahrscheinlichkeit, dass zwei Ereignisse zusammen auftreten, ist gleich ihrer multiplizierten Wahrscheinlichkeit. Das bedeutet, dass stochastische Computer mit einfachen UND-Gattern multiplizieren können.
Ein weiterer Vorteil ist, dass stochastische Computer fantastisch robust gegenüber Rauschen sind. Drehen Sie ein paar Bits in einer stochastischen Berechnung um und die Chancen stehen gut, dass das Ergebnis völlig unbeeinflusst bleibt.
Natürlich gibt es eine Einschränkung. Es ist nur möglich, eine probabilistische Zahl durch viele Messungen zu „lesen“. Aber bei bestimmten Anwendungen spielt das keine Rolle. Wenn es funktioniert, kann stochastisches Rechnen spektakulär erfolgreich sein.
Heute zeigen Vincent Canals und Kumpel von der Universität der Balearen in Palma vor der Küste Spaniens ein gutes Beispiel.
Diese Jungs haben stochastisches Computing auf den Prozess der Mustererkennung angewendet. Das Problem besteht hier darin, ein Eingangssignal mit einem Referenzsignal zu vergleichen, um festzustellen, ob sie übereinstimmen.
In der realen Welt sind Eingangssignale natürlich immer verrauscht, sodass ein System, das mit Rauschen fertig wird, einen offensichtlichen Vorteil hat.
Canals und Co. verwenden ihre Technik, um einem autonomen Fahrzeug zu helfen, sich durch eine einfache Umgebung zu navigieren, für die es eine interne Karte hat. Für diese Aufgabe muss es den Abstand zu den umgebenden Wänden messen und herausfinden, wo es sich auf der Karte befindet. Es berechnet dann eine Trajektorie, die es zu seinem Ziel führt.
Diese Jungs sagen, dass ihr Fahrzeug in mehreren Tests die optimale Route berechnet hat, die es nehmen musste (obwohl sie sich nicht mit den Details darüber beschäftigen, wie dies bewerkstelligt wurde, was eine möglicherweise erhebliche Auslassung darstellt).
Aber wie viel besser ist der stochastische Computing-Ansatz im Vergleich zu einem herkömmlichen? Canals und Co. sagen, dass ein konventioneller Mikroprozessor 70-mal schneller arbeitet als ein stochastischer Chip, aber nur Signale nacheinander verarbeiten kann.
Der stochastische Chip hingegen kann die Signale parallel verarbeiten. Damit ist er bei der Lösung der Mustererkennungsaufgabe bis zu drei Größenordnungen schneller als ein herkömmlicher Mikroprozessor. Das ist eine deutliche Verbesserung.
Obwohl die Idee des stochastischen Computings schon seit einem halben Jahrhundert existiert, haben Versuche, diese auszunutzen, gerade erst begonnen. Offensichtlich gibt es viel zu tun. Und da das Gehirn zumindest teilweise ein stochastischer Computer sein könnte, könnten aufregende Zeiten bevorstehen.
Ref: arxiv.org/abs/1202.4495 : Stochastik-basierte Mustererkennungsanalyse