Forskere bevæger sig tættere på helt optisk kunstigt neuralt netværk

Forskere har vist, at det er muligt at træne kunstige neurale netværk direkte på en optisk chip. Det betydelige gennembrud viser, at et optisk kredsløb kan udføre en kritisk funktion af et elektronikbaseret kunstigt neuralt netværk og kan føre til billigere, hurtigere og mere energieffektive måder at udføre komplekse opgaver såsom tale eller billedgenkendelse.

"Brug af en optisk chip til at udføre neurale netværksberegninger mere effektivt, end det er muligt med digitale computere, kunne gøre det muligt at løse mere komplekse problemer, "sagde forskerteamleder Shanhui Fan fra Stanford University." Dette vil forbedre kunstige neurale netværks evne til at udføre opgaver, der kræves for selvkørende biler eller formulere et passende svar på et talt spørgsmål, for eksempel. Det kan også forbedre vores liv på måder, vi ikke kan forestille os nu. "

Et kunstigt neuralt netværk er en type kunstig intelligens, der bruger forbundne enheder til at behandle information på en måde, der ligner den måde, hjernen behandler information på. Brug af disse netværk til at udføre en kompleks opgave, for eksempel stemmegenkendelse, kræver det kritiske trin i uddannelsen af ​​algoritmerne til at kategorisere input, såsom forskellige ord.

Selvom optiske kunstige neurale netværk for nylig blev demonstreret eksperimentelt, træningstrinnet blev udført ved hjælp af en model på en traditionel digital computer, og de sidste indstillinger blev derefter importeret til det optiske kredsløb. I Optica , The Optical Society's journal for high impact research, Forskere fra Stanford University rapporterer en metode til at træne disse netværk direkte i enheden ved at implementere en optisk analog af 'backpropagation' -algoritmen, som er standardmåden at træne konventionelle neurale netværk på.

"Brug af en fysisk enhed frem for en computermodel til træning gør processen mere præcis, "sagde Tyler W. Hughes, første forfatter til papiret. "Også, fordi uddannelsestrinnet er en meget beregningsmæssigt dyr del af implementeringen af ​​det neurale netværk, at udføre dette trin optisk er nøglen til at forbedre beregningseffektiviteten, hastighed og strømforbrug af kunstige netværk. "

Et lysbaseret netværk

Selvom behandling af neuralt netværk typisk udføres ved hjælp af en traditionel computer, der er en betydelig indsats for at designe hardware optimeret specifikt til neurale netværksberegninger. Optikbaserede enheder er af stor interesse, fordi de kan udføre beregninger parallelt, mens de bruger mindre energi end elektroniske enheder.

I det nye værk, forskerne overvandt en betydelig udfordring for at implementere et helt optisk neuralt netværk ved at designe en optisk chip, der replikerer den måde, konventionelle computere træner neurale netværk på.

Et kunstigt neuralt netværk kan betragtes som en sort boks med et antal knapper. Under træningstrinnet, disse knapper drejes hver især lidt, og derefter testes systemet for at se, om algoritmernes ydeevne er forbedret.

"Vores metode hjælper ikke kun med at forudsige, hvilken retning der skal drejes på knapperne, men også hvor meget du skal dreje hver knap for at komme dig tættere på den ønskede ydeevne, "sagde Hughes." Vores tilgang fremskynder træningen betydeligt, især for store netværk, fordi vi får oplysninger om hver knap parallelt. "

On-chip uddannelse

Den nye træningsprotokol fungerer på optiske kredsløb med indstillelige stråledelere, der justeres ved at ændre indstillingerne for optiske faseskiftere. Laserstråler, der koder information, der skal behandles, affyres i det optiske kredsløb og føres af optiske bølgeledere gennem strålesplitterne, som justeres som knapper til at træne de neurale netværksalgoritmer.

I den nye træningsprotokol, laseren føres først gennem det optiske kredsløb. Når du forlader enheden, forskellen fra det forventede resultat beregnes. Disse oplysninger bruges derefter til at generere et nyt lyssignal, som sendes tilbage gennem det optiske netværk i den modsatte retning. Ved at måle den optiske intensitet omkring hver strålesplitter under denne proces, forskerne viste, hvordan man opdager, parallelt, hvordan det neurale netværks ydeevne vil ændre sig med hensyn til hver strålesplitters indstilling. Indstillingerne for faseskift kan ændres baseret på disse oplysninger, og processen kan gentages, indtil det neurale netværk frembringer det ønskede resultat.

Forskerne testede deres træningsteknik med optiske simuleringer ved at lære en algoritme at udføre komplicerede funktioner, såsom at udvælge komplekse funktioner inden for et sæt punkter. De fandt ud af, at den optiske implementering udførte sig på samme måde som en konventionel computer.

"Vores arbejde viser, at du kan bruge fysikkens love til at implementere datalogiske algoritmer, "sagde Fan." Ved at oplære disse netværk i det optiske domæne, det viser, at optiske neurale netværkssystemer kunne bygges til at udføre visse funktionaliteter ved hjælp af optik alene. "

Forskerne planlægger at optimere systemet yderligere og ønsker at bruge det til at implementere en praktisk anvendelse af en neural netværksopgave. Den generelle tilgang, de designede, kunne bruges med forskellige neurale netværksarkitekturer og til andre applikationer, såsom rekonfigurerbar optik.