Et neuralt netværk, der fungerer med lysets hastighed

Et team af forskere ved University of California har udviklet en ny slags neuralt netværk - et, der bruger lys i stedet for elektricitet til at nå frem til resultater. I deres papir offentliggjort i tidsskriftet Videnskab , gruppen beskriver deres ideer, deres fungerende enhed, dens ydeevne, og de typer af applikationer, de mener, kunne være godt tjent med et sådant netværk.

Deep learning netværk er computersystemer, der "lærer" ved at se på mange eksempler på datatyper og derefter bruger mønstre, der udvikler sig som en måde at foretage fortolkninger af nye data. Ligesom alle andre computere, de kører på el. I denne nye indsats, forskerne har fundet en måde at skabe et dybt læringsnetværk, der slet ikke bruger elektricitet - i stedet for den bruger lys. De kalder det et diffraktivt dybt neuralt netværk, eller mere kortfattet, D ² NN.

For at opbygge et sådant netværk, forskerne skabte små plastikplader printet ved hjælp af en 3-D printer. Hver plade repræsenterede et lag af virtuelle neuroner - og hver neuron kunne opføre sig som sin biologiske pendant ved enten at transmittere eller reflektere indkommende lys. I deres eksempel, de brugte fem plader stillet op ansigt til ansigt med et lille mellemrum mellem dem. Da systemet var i drift, lys fra en laser blev rettet mod den første plade og gik igennem til den anden, tredje, fjerde og femte på en måde, der afslørede information om et objekt placeret foran enheden. En sensor bagpå læste lyset og tolkede, hvad der blev fundet.

For at teste deres idé, forskerne valgte at skabe et fysisk neuralt netværk i stand til at genkende tallene nul til ni, og derefter rapportere, hvad den fandt. I praksis, systemet blev vist et nummer på et display og reagerede ved at identificere nummeret og derefter vise det ved hjælp af sensoren. Systemet blev fodret med 55, 000 billeder af numre, der var blevet scannet. Denne indlæringsfase krævede brug af elektricitet, da den kørte på en computer, der forsynede systemet med data. Ved at teste deres system ved at vise det tusindvis af tal, forskerne rapporterer, at det var cirka 95 procent nøjagtigt. De bemærker, at deres enhed var et proof of concept og kunne vise sig nyttigt som et middel til at udvikle dedikerede enheder til applikationer, der kræver hurtighed - såsom at vælge ansigter ud af en mængde mennesker i bevægelse.

© 2018 Tech Xplore