La reconnaissance de modèle stochastique surpasse considérablement les techniques conventionnelles

L'informatique stochastique est l'un des petits joyaux de la logique. Son avantage est essentiellement qu'il rend la multiplication aussi facile que l'addition.

C'est important. Imaginez que vous ajoutez 0,4397625 et 0,8723489. C'est un calcul que vous pourriez faire dans votre tête en quelques secondes. Mais imaginez plutôt multiplier ces deux nombres. C'est toujours quelque chose que vous pourriez faire dans votre tête, mais je parie que vous vous sentiriez plus heureux de prendre une calculatrice.

Les ordinateurs conventionnels ont un problème similaire. Ajouter des nombres est simple, mais les multiplier est beaucoup plus intensif.

Les ordinateurs stochastiques changent tout cela. C'est parce qu'ils représentent des nombres en utilisant la probabilité : comme un flux de bits avec une certaine probabilité d'être un nombre.

Par exemple, un flux binaire représentant 0,25 peut contenir trois 0 pour chaque 1, même si la distribution réelle des 0 et 1 est par ailleurs aléatoire.

Le gros avantage vient des lois de probabilité, qui transforment l'addition en multiplication : les chances que deux événements se produisent ensemble sont égales à leurs probabilités multipliées. Cela signifie que les ordinateurs stochastiques peuvent effectuer des multiplications avec des portes ET simples.

Un autre avantage est que les ordinateurs stochastiques sont incroyablement résistants au bruit. Retournez quelques bits dans un calcul stochastique et il y a de fortes chances que le résultat ne soit pas du tout affecté.

Bien sûr, il y a une mise en garde. Il n'est possible de « lire » un nombre probabiliste qu'en faisant beaucoup de mesures. Mais dans certaines applications, cela n'a pas d'importance. Lorsqu'elle fonctionne, l'informatique stochastique peut connaître un succès spectaculaire.

Aujourd'hui, Vincent Canals et ses copains de l'Université des Baléares à Palma, au large de l'Espagne, en révèlent un bon exemple.

Ces gars-là ont appliqué l'informatique stochastique au processus de reconnaissance de formes. Le problème ici est de comparer un signal d'entrée avec un signal de référence pour déterminer s'ils correspondent.

Dans le monde réel, bien sûr, les signaux d'entrée sont toujours bruyants, donc un système capable de gérer le bruit présente un avantage évident.

Canals and co utilisent leur technique pour aider un véhicule autonome à se frayer un chemin dans un environnement simple pour lequel il dispose d'une carte interne. Pour cette tâche, il doit mesurer la distance aux murs qui l'entourent et déterminer où il se trouve sur la carte. Il calcule ensuite une trajectoire l'amenant à sa destination.

Ces gars disent que dans plusieurs tests, leur véhicule a calculé l'itinéraire optimal qu'il devait emprunter (bien qu'ils ne se soucient pas des détails sur la façon dont cela a été fait, ce qui est une omission potentiellement importante).

Mais dans quelle mesure l'approche informatique stochastique est-elle meilleure par rapport à une approche conventionnelle ? Canals and co affirment qu'un microprocesseur conventionnel fonctionne 70 fois plus vite qu'une puce stochastique mais ne peut traiter que des signaux en séquence.

En revanche, la puce stochastique peut traiter les signaux en parallèle. Cela le rend jusqu'à trois ordres de grandeur plus rapide qu'un microprocesseur conventionnel pour résoudre la tâche de reconnaissance de formes. C'est une amélioration significative.

Bien que l'idée de l'informatique stochastique existe depuis un demi-siècle, les tentatives d'exploitation ne font que commencer. Il est clair qu'il y a beaucoup de travail à faire. Et puisqu'une ligne de pensée est que le cerveau pourrait être un ordinateur stochastique, au moins en partie, il pourrait y avoir des temps passionnants à venir.

Réf : arxiv.org/abs/1202.4495 : Analyse de reconnaissance de formes basée sur la stochastique

cacher