神奇的红石,神奇的我的世界,不可思议的 UP 主。
在我的世界(Minecraft)中,红石是一种非常重要的物品。它是游戏中的一种独特材料,开关、红石火把和红石块等能对导线或物体提供类似电流的能量。
红石电路可以为你建造用于控制或激活其他机械的结构,其本身既可以被设计为用于响应玩家的手动激活,也可以反复输出信号或者响应非玩家引发的变化,如生物移动、物品掉落、植物生长、日夜更替等等。
因此,在我的世界中,红石能够控制的机械类别极其多,小到简单机械如自动门、光开关和频闪电源,大到占地巨大的电梯、自动农场、小游戏平台甚至游戏内建的计算机。
近日,B 站 UP 主 @辰占鳌头等人在我的世界中实现了
真正的「红石人工智能」
,他们耗时
六个月
,构建了
世界上首个纯红石神经网络
,任务是
识别 15×15 手写数字
。
作者表示,他们使用非传统的计算方式——随机计算来实现神经网络,在设计和布局上比传统全精度计算简单许多,并且单次理论识别时间仅为 5 分钟。
这个纯红石神经网络完成了机器学习领域常见的图像识别任务——手写数字识别,并且准确率达到了
80%
(在 MNIST 数据集上模拟)。
加入「
乘法器
」,仅使用随机数和单个逻辑门运算小数乘法。
激活函数阵列
:将数据非线性地映射到高维特征空间。
作者表示,该网络使用的架构是
压缩的 LeNet-5
,准确率达到 80%。
不过,受限于 Minecraft 的运算能力,实际识别时间超过 20 分钟。尽管如此,这仍是红石数电领域的重大突破,也可能启发现实中的硬件神经网络。
目前,视频的播放量已经超过 80 万,全 B 站排行榜最高第 39 名,让各路网友叹为观止。就连
图灵奖得主 Yann LeCun
也在 Facebook 上转发了该视频,表示「一位非常有耐心且坚持不懈的人使用红石在我的世界中实现了 LeNet-5。」LeCun 是 LeNet 架构提出者。
在另外一个视频《【Minecraft】红石卷积神经网络——原理》中,作者详细解释了红石卷积神经网络的原理。
总的来说,他们使用的是压缩的 LeNet-5 卷积神经网络,卷积是网络的第一步计算,使用一个带权重的窗口(卷积核)逐次扫描图像并提取笔画特征。
然后将这些笔画特征馈入到深度神经网络(全连接层)进行分类识别。
作者首先列出了输入设备,包括
一个单脉冲式压力板手写板和 15×15 坐标屏
。其中手写板每次产生 2tick 的坐标信号,接着由屏幕绘制。
随后输入的手写数字进入卷积层,计算方法是累加卷积核被遮盖的部分,并将结果输出到下一层。并且,为了保证非线性,输出还经过了 ReLU 函数。
由于卷积核只有 3×3,因而作者直接使用了
电模运算
,并在输出端自动进行 ReLU。
另外,又由于卷积无法像动画里那样移动,所以采用了
直接堆叠
的方式,再通过硬连线连接到手写板输入上。
到了全连接层,它的每层由若干神经网络构成。每个神经元都连接多个输入,并产生一个输出。神经元将每个输入加权累加,然后带入一个激活函数输出。
需要注意的是,加权求和是「线性分割」,而激活函数一定是非线性的,用于提升维度。作者
使用了 tanh(双曲正切)作为了激活函数
。
同时,
权重被储存在投掷器
(用来调整物品配比生成不同频率的随机串)中,输入乘以权重后通过模电累加。
关于电路实现,首先通过
模电计算加法
,然后转为数电信号。
累加器
则是改装了另一位 Up 主提供的 2tick 流水线加法器,使之不会溢出。
最后一层的输出以及层间缓存使用如下模电计数器,它可以统计 5Hz 串中「1」的数量,容量则为 1024。
最后在输出层,计数器的高 4 位被连接到计数板上,然后电路选取最大的值并在输出面板上显示。
视频最后,作者展示了
最终的网络结构
,如下图所示。其中,权重范围为 [-1, 1],随机串长度为 1024,MNIST 数据集上的准确率约为 80%。不过当串长为 256 时,准确率仅为 62%。
© THE END
转载请联系本公众号获得授权
投稿或寻求报道:content@jiqizhixin.com