في تطور رائد، كشف باحثون من معهد بكين للتكنولوجيا، بقيادة البروفيسور شيانغ دونغ تشانغ، عن نوع جديد من الشبكة العصبية الضوئية (ONN) التي تُظهر "تسريعًا كميًا" ملحوظًا.
يعمل هذا الابتكار على تعزيز الارتباطات البصرية classicلتعزيز القوة الحسابية لشبكات ONN بشكل كبير. يمثل هذا الإنجاز، المنشور في Light Science & Application، خطوة كبيرة نحو معالجة الطلب المتزايد باستمرار على نماذج التعلم الآلي الفعالة مع تخفيف قيود الموارد الحسابية.
تعزيز كفاءة الذكاء الاصطناعي من خلال الشبكات العصبية البصرية والكمية.
حققت تقنيات الذكاء الاصطناعي ، dent في مهام مثل التعرف على الصور، ومعالجة اللغة الطبيعية، واكتشاف الكائنات.
ومع ذلك، فإن هذه التطورات تأتي بتكلفة – فهي تتطلب موارد حسابية كبيرة. إن الوضع الحالي للقوة الحسابية يقترب من حدوده، مما يستلزم خفض تكاليف التدريب وتحسين كفاءة التدريب لنماذج التعلم الآلي.
ركز الباحثون جهودهم على طريقتين رئيسيتين لمواجهة هذا التحدي: الشبكات العصبية البصرية (ONNs) والشبكات العصبية الكمومية. تستخدم ONNs تقنيات معالجة بصرية متقدمة لتنفيذ خوارزميات التعلم الآلي في معالجة المعلومات البصرية classic .
تتميز هذه الشبكات بالعديد من المزايا، بما في ذلك استهلاك الطاقة المنخفض، والحد الأدنى من التداخل المتبادل، وانخفاض زمن انتقال الإرسال. ومع ذلك، تفتقر شبكات ONN التقليدية إلى التسارع الخوارزمي، مما يعني أنها لا تظهر سرعات تقارب أسرع للنماذج.
من ناحية أخرى، الشبكات العصبية الكمومية هي خوارزميات الشبكة العصبية ترتكز على نظرية الحوسبة الكمومية. أظهرت الدراسات الحديثة أن الشبكات العصبية الكمومية يمكنها تحقيق تسارع خوارزمي بسبب الارتباطات الكمومية. ولسوء الحظ، فإن التطبيقات العملية للشبكات العصبية الكمومية تعوقها القيود التقنية، مما يجعل من الصعب نشرها على نطاق واسع.
يتضمن التقدم الذي تم تقديمه في الورقة الأخيرة تطوير شبكة عصبية بصرية جديدة تحاكي التسارع الخوارزمي الذي نراه في الشبكات العصبية الكمومية. أصبح هذا الإنجاز الرائع ممكنًا من خلال تقديم الارتباطات البصرية classicكحاملات للمعلومات. تتيح هذه الارتباطات معالجة المعلومات على نحو يشبه الحوسبة الكمومية، وهو مفهوم سبق أن أظهره فريق البحث نفسه.
قام الباحثون بتطوير عمليات تلافيفية وتجميعية على الحالة البصرية المترابطة، مما أدى إلى إنشاء شبكة عصبية تلافيفية بصرية مترابطة. يوضح ONN هذا تدريبًا سريعًا على مجموعات بيانات محددة ويمكن تطبيقهdentخصائص الحالات الكمومية بموجب مبادئ ترميز محددة. لقد فتح هذا الاختراق الأبواب أمام الشبكات العصبية الضوئية المحسنة خوارزميًا، مما يعد بفوائد واعدة في عصر معالجة البيانات الضخمة.
تتكون الشبكة العصبية التلافيفية البصرية المترابطة من أربعة مكونات رئيسية: مصدر الضوء المترابط، والالتواء، والتجميع، والاكتشافات. تتم المعالجة الأساسية بواسطة أقسام الالتواء والتجميع.
تختلف هذه المكونات عن تلك الموجودة في الشبكات العصبية التلافيفية classicلأنها تتعامل مع ارتباط الحالات البصرية وتولد حالات مترابطة أبسط من خلال دمج الحزم.
يشرح العلماء الذين يقودون البحث: "هذان الجزءان يقومان في الواقع بالعمليات التناظرية للبوابات الكمومية في الشبكات العصبية التلافيفية الكمومية. يتكون الجزء التلافيفي في شبكتنا من عمليات وحدوية على الحالة البصرية المرتبطة، على غرار العمليات الوحدوية على مساحة هيلبرت للكيوبتات.
جزء التجميع الذي نعتبره يعادل قياس البتات الجزئية للحصول على مساحة هيلبرت الفرعية. ويؤدي هذا إلى انخفاض هائل في أبعاد البيانات، مما يساهم في تقارب أسرع لوظيفة الخسارة عند تعلم مجموعات بيانات محددة.
بالإضافة إلى ذلك، يشهد الباحثون على التشابه بين شبكتهم العصبية التلافيفية البصرية المترابطة والشبكات العصبية التلافيفية الكمومية عن طريق إجراءdentالطور الطوبولوجي للحالات الكمومية. تدعم كل من النتائج النظرية والتجريبية هذه الشهادة.
بديل فعال من حيث التكلفة للشبكات العصبية الكمومية
تشير نتائج هذا البحث إلى احتمال مثير، وهو إدراك خصائص الشبكات العصبية الكمومية بطريقة أكثر فعالية من حيث التكلفة. في حين أن الشبكات العصبية الكمومية توفر مزايا محتملة، فإن تنفيذها العملي يتطلب دوائر كمومية معقدة ذات بوابات متعددة متعددة الكيوبت وقياسات معقدة.
هذه الدوائر معرضة بشدة للاضطرابات البيئية، مما يجعل استقرارها وتصحيح الأخطاء تحديًا كبيرًا.
تمثل الشبكات العصبية الضوئية المترابطة التي تم تقديمها في هذه الدراسة بديلاًtrac. إنها تظهر سهولة ترتيب العناصر ولها متطلبات بيئية منخفضة في التجارب.
ونظرًا للنمو الهائل للبيانات وندرة الموارد اللازمة للحوسبة عالية الجودة، يوفر هذا النهج حلاً فعالاً من حيث التكلفة وعالي الأداء مع تطبيقات واسعة النطاق عبر مختلف مجالات أبحاث علوم البيانات.
