Forskere demonstrerer alt-optisk neurale netværk til dyb læring

Selv de mest kraftfulde computere er stadig ingen match for den menneskelige hjerne, når det kommer til mønstergenkendelse, Risikostyring, og andre lignende komplekse opgaver. Nylige fremskridt inden for optiske neurale netværk, imidlertid, lukker dette hul ved at simulere den måde neuroner reagerer i den menneskelige hjerne.

Som et vigtigt skridt hen imod at gøre optiske neurale netværk i stor skala praktiske, forskere har demonstreret et første af sin slags flerlags optiske kunstige neurale netværk. Generelt, denne type kunstig intelligens kan tackle komplekse problemer, der er umulige med traditionelle beregningsmetoder, men nuværende design kræver omfattende beregningsressourcer, der både er tidskrævende og energikrævende. Af denne grund, der er stor interesse for at udvikle praktiske optiske kunstige neurale netværk, som er hurtigere og bruger mindre strøm end dem, der er baseret på traditionelle computere.

I Optica , The Optical Society's journal for high-impact research, forskere fra Hong Kong University of Science and Technology, Hong Kong beskriver deres to-lags optiske neurale netværk og anvender det med succes til en kompleks klassificeringsopgave.

"Vores helt optiske skema kunne muliggøre et neuralt netværk, der udfører optisk parallel beregning ved lysets hastighed, mens det bruger lidt energi, " sagde Junwei Liu, medlem af forskergruppen. "Stor skala, helt optiske neurale netværk kan bruges til applikationer lige fra billedgenkendelse til videnskabelig forskning."

Opbygning af et helt optisk netværk

I konventionelle hybride optiske neurale netværk, optiske komponenter bruges typisk til lineære operationer, mens ikke-lineære aktiveringsfunktioner - de funktioner, der simulerer den måde, neuroner i den menneskelige hjerne reagerer - normalt implementeres elektronisk, fordi ikke-lineær optik typisk kræver højeffektlasere, som er svære at implementere i et optisk neuralt netværk.

For at overvinde denne udfordring, forskerne brugte kolde atomer med elektromagnetisk induceret gennemsigtighed til at udføre ikke-lineære funktioner. "Denne lys-inducerede effekt kan opnås med meget svag lasereffekt, " sagde Shengwang Du, medlem af forskergruppen. "Fordi denne effekt er baseret på ikke-lineær kvanteinterferens, det kunne være muligt at udvide vores system til et kvanteneuralt netværk, der kunne løse problemer, der er vanskelige at løse med klassiske metoder."

For at bekræfte kapaciteten og gennemførligheden af ​​den nye tilgang, forskerne konstruerede et to-lags fuldt forbundet optisk neuralt netværk med 16 indgange og to udgange. Forskerne brugte deres helt optiske netværk til at klassificere ordens- og uordensfaserne i Ising-modellen, en statistisk model for magnetisme. Resultaterne viste, at det helt optiske neurale netværk var lige så præcist som et veluddannet computerbaseret neuralt netværk.

Optiske neurale netværk i større skalaer

Forskerne planlægger at udvide den helt optiske tilgang til storskala optiske dybe neurale netværk med komplekse arkitekturer designet til specifikke praktiske anvendelser såsom billedgenkendelse. Dette vil hjælpe med at demonstrere, at ordningen fungerer i større skalaer.

"Selvom vores arbejde er en proof-of-princip demonstration, det viser, at det i fremtiden kan blive muligt at udvikle optiske versioner af kunstig intelligens, " sagde Du. "Næste generation af kunstig intelligens hardware vil i sig selv være meget hurtigere og udvise lavere strømforbrug sammenlignet med nutidens computerbaserede kunstige intelligens, " tilføjede Liu.