Il riconoscimento del modello stocastico supera notevolmente le tecniche convenzionali

Il calcolo stocastico è uno dei piccoli gioielli della logica. Il suo vantaggio è essenzialmente che rende la moltiplicazione facile come l'addizione.

Questo è significativo. Immagina di aggiungere 0,4397625 e 0,8723489. È un calcolo che potresti fare nella tua testa in pochi secondi. Ma immagina invece di moltiplicare quei due numeri. È ancora qualcosa che potresti fare nella tua testa, ma scommetto che ti sentiresti più felice di prendere una calcolatrice.

I computer convenzionali hanno un problema simile. La somma dei numeri è semplice, ma la loro moltiplicazione è molto più impegnativa.

I computer stocastici cambiano tutto questo. Questo perché rappresentano i numeri usando la probabilità: come un flusso di bit con una certa probabilità di essere un numero.

Ad esempio, un flusso di bit che rappresenta 0,25 potrebbe contenere tre 0 per ogni 1, anche se la distribuzione effettiva di 0 e 1 è altrimenti casuale.

Il grande vantaggio deriva dalle leggi della probabilità, che trasformano la somma in moltiplicazione: le probabilità che due eventi si verifichino insieme sono uguali alle loro probabilità moltiplicate. Ciò significa che i computer stocastici possono eseguire la moltiplicazione con semplici porte AND.

Un altro vantaggio è che i computer stocastici sono straordinariamente resistenti al rumore. Capovolgi alcuni bit in un calcolo stocastico e le probabilità sono che il risultato sarà completamente inalterato.

Certo, c'è un avvertimento. È possibile 'leggere' un numero probabilistico solo effettuando molte misurazioni. Ma in alcune applicazioni non importa. Quando funziona, il calcolo stocastico può avere un successo spettacolare.

Oggi, Vincent Canals e compagni dell'Università delle Isole Baleari a Palma al largo della costa spagnola, rivelano un buon esempio.

Questi ragazzi hanno applicato il calcolo stocastico al processo di riconoscimento dei modelli. Il problema qui è confrontare un segnale di ingresso con un segnale di riferimento per determinare se corrispondono.

Nel mondo reale, ovviamente, i segnali in ingresso sono sempre rumorosi, quindi un sistema in grado di far fronte al rumore ha un ovvio vantaggio.

Canals e co usano la loro tecnica per aiutare un veicolo autonomo a navigare in un ambiente semplice per il quale dispone di una mappa interna. Per questo compito, deve misurare la distanza dalle pareti circostanti e capire dove si trova sulla mappa. Quindi calcola una traiettoria che lo porta a destinazione.

Questi ragazzi affermano che in diversi test, il loro veicolo ha calcolato il percorso ottimale che doveva prendere (anche se non si preoccupano dei dettagli su come è stato fatto, che è un'omissione potenzialmente significativa).

Ma quanto è migliore l'approccio del calcolo stocastico rispetto a quello convenzionale? Canals e co affermano che un microprocessore convenzionale opera 70 volte più velocemente di un chip stocastico, ma può elaborare solo segnali in sequenza.

Al contrario, il chip stocastico può elaborare i segnali in parallelo. Ciò lo rende fino a tre ordini di grandezza più veloce di un microprocessore convenzionale nella risoluzione del compito di riconoscimento del modello. Questo è un miglioramento significativo.

Sebbene l'idea del calcolo stocastico esista da mezzo secolo, i tentativi di sfruttamento sono appena iniziati. Chiaramente c'è molto lavoro da fare. E poiché una linea di pensiero è che il cervello potrebbe essere un computer stocastico, almeno in parte, potrebbero esserci tempi entusiasmanti a venire.

Rif: arxiv.org/abs/1202.4495 : Analisi di riconoscimento del modello basato sullo stocastico

nascondere