Ученые из Швейцарского высшего технического училища Лозанны (EPFL) достигли значительного прогресса в разработке нового алгоритма обучения аналоговых нейронных сетей. Этот подход, позволяющий достичь точности, сравнимой с цифровыми сетями, представляет собой эффективную альтернативу традиционным, энергоемким методам глубокого обучения. В отличие от стандартного обучения нейронных сетей, которое включает прямой и обратный проходы, исследователи предложили инновационную методику, заменяющую обратный проход вторым прямым проходом для локального обновления каждого слоя сети. Такой подход значительно снижает энергопотребление и более точно отражает человеческое обучение.

Для демонстрации эффективности алгоритма физического локального обучения (PhyLL), EPFL использовали его в экспериментальных акустических и микроволновых системах, а также в моделированной оптической системе для классификации данных, таких как гласные звуки и изображения. Результаты показали, что точность метода сопоставима с обучением на основе обратного распространения ошибки, при этом метод оказался устойчивым и адаптивным даже в условиях непредсказуемых внешних возмущений.

В то время как подход LWE является первым обучением глубоких физических нейронных сетей без использования обратного распространения ошибки, исследователи признают, что некоторые цифровые обновления параметров все еще необходимы. Они надеются дальше развивать свой алгоритм для применения в масштабируемых оптических системах, преодолевая технические ограничения физических систем и расширяя возможности алгоритма.