Klassisk optisk neuralt netværk udviser kvantehastighed

I de senere år har kunstig intelligens-teknologier, især maskinlæringsalgoritmer, gjort store fremskridt. Disse teknologier har muliggjort hidtil uset effektivitet i opgaver såsom billedgenkendelse, naturligt sproggenerering og -behandling og objektdetektering, men en sådan enestående funktionalitet kræver betydelig beregningskraft som grundlag.

De nuværende beregningsressourcer nærmer sig deres grænser, så effektiv reduktion af uddannelsesomkostningerne ved maskinlæringsmodeller og forbedring af deres træningseffektivitet er et vigtigt emne i forskningsfeltet.

For at løse problemet er der gjort en stor indsats i to forskningsretninger:optiske neurale netværk og kvanteneurale netværk. Optiske neurale netværk bruger avancerede optiske manipulationsmetoder til at udføre maskinlæringsalgoritmer i klassisk optisk informationsbehandling. De har unikke fordele såsom lavt energiforbrug, lav krydstale og lav transmissionsforsinkelse. Men de nuværende optiske neurale netværk udviser ikke algoritmisk acceleration, såsom hurtigere modelkonvergenshastighed.

Kvanteneurale netværk er neurale netværksalgoritmer baseret på kvanteberegningsteori. Nyere forskning har vist, at kvanteneurale netværk kan demonstrere algoritmisk acceleration på grund af kvantekorrelationerne. Men på grund af tekniske begrænsninger er det i øjeblikket vanskeligt at udføre sådanne neurale netværksalgoritmer på hardware i stor skala, hvilket gør det udfordrende for deres anvendelse i praktiske problemer, som mennesker står over for i øjeblikket.

I et nyt papir offentliggjort i Light:Science &Applications , et team af videnskabsmænd, ledet af professor Xiangdong Zhang, fra Key Laboratory for avanceret optoelektronisk kvantearkitektur og målinger fra Undervisningsministeriet; Beijing Key Laboratory of Nanophotonics &Ultrafine Optoelectronic Systems, School of Physics, Beijing Institute of Technology, Kina, og kolleger har udviklet en ny type optisk neuralt netværk, der kan udvise speedup analog med et kvanteneuralt netværk.

Denne interessante egenskab opstår på grund af indførelsen af ​​klassiske optiske korrelationer som informationsbærer. Faktisk kan man ved at bruge en sådan slags bærer efterligne den måde, hvorpå informationsbehandling er muliggjort af kvanteberegning, hvilket er blevet bevist af tidligere arbejde fra forskerne.

Baseret på egenskaben udviklede forskerne foldnings- og pooloperationen på den korrelerede optiske tilstand og etablerede et korreleret optisk foldningsneuralt netværk. Dette optiske neurale netværk har en en-til-en overensstemmelse med det kvantekonvolutionelle neurale netværk. Den viser hastigheden i træningsprocessen for at lære bestemte datasæt og kan anvendes til at identificere karakteren af ​​kvantetilstande under et bestemt kodningsprincip.

Den rapporterede metode og teknik vil åbne nye veje til at realisere algoritmisk forbedrede optiske neurale netværk, hvilket vil gavne informationsbehandling i big data-æraen.

Den grundlæggende struktur af et korreleret optisk foldningsneuralt netværk omfatter fire dele:den korrelerede lyskilde, foldningen, poolingen og detektionerne. Kernebehandlingen af ​​den korrelerede optiske tilstand udføres af foldnings- og pooldelen. I modsætning til klassiske foldningsneurale netværk manipulerer disse to dele i det korrelerede foldningsoptiske neurale netværk korrelationen af ​​optiske tilstande og genererer de enklere korrelerede tilstande ved at fusionere strålerne.

"Disse to dele udfører faktisk operationerne analogt med kvanteportene i de kvantekonvolutionelle neurale netværk," sagde forskerne. "Konvolutionsdelen i vores netværk er sammensat af enhedsoperationer på den korrelerede optiske tilstand.

"Det er ligesom enhedsoperationerne på Hilbert-rummet af qubits. Den pooling-del, vi betragter, svarer til måling af partielle qubits for at opnå et sub-Hilbert-rum. En sådan del fører til et eksponentielt fald i dimensionen af ​​data. Derfor funktion af de to dele bidrager til en hurtigere konvergens af tabsfunktionen ved indlæring af visse datasæt.

"Desuden bekræfter vi også ligheden mellem vores korrelerede optiske foldningsneurale netværk med det kvantekonvolutionelle neurale netværk ved at udføre identifikation af den topologiske fase af kvantetilstande. Certificeringen understøttes af både teoretiske og eksperimentelle resultater.

"Resultaterne indikerer også, at egenskaberne ved kvanteneural netværk kan realiseres på en mere overkommelig måde," tilføjede de.

"På trods af de potentielle fordele ved kvanteneurale netværk kræver implementering af dem praktisk talt dybe kvantekredsløb med mange multi-qubit-gates og komplicerede målinger. Dette kræver betydelige ressourcer til at stabilisere kredsløbene og rette fejl, hvilket er teknisk udfordrende på grund af de uundgåelige miljøforstyrrelser.

"Et potentielt bedre alternativ er at finde et system beskrevet af samme matematik som kvanteteori og mindre afbrudt af miljøet. De foreslåede korrelerede optiske neurale netværk tjener som et eksempel på et sådant system, hvilket fremgår af den lette elementarrangementer og lave krav til omstændighederne i vores forsøg.

"I betragtning af den eksponentielle vækst af data og knapheden af ​​ressourcer til højkvalitetsberegninger, præsenterer vores tilgang en omkostningseffektiv og højtydende løsning, der kunne have udbredte anvendelser inden for forskellige datavidenskabelige forskningsfelter."

Flere oplysninger: Yifan Sun et al., Korreleret optisk konvolutionelt neuralt netværk med "kvantehastighedsstigning", Light:Science &Applications (2024). DOI:10.1038/s41377-024-01376-7

Journaloplysninger: Lys:Videnskab og applikationer

Leveret af TranSpread