Pekinger Wissenschaftler enthüllen bahnbrechendes optisches neuronales Netzwerk, das das KI-Training revolutioniert

In einer bahnbrechenden Entwicklung haben Forscher des Beijing Institute of Technology unter der Leitung von Professor Xiangdong Zhang einen neuartigen Typ von optischem neuronalem Netzwerk (ONN) vorgestellt, der eine bemerkenswerte „Quantenbeschleunigung“ aufweist 

Diese Innovation nutzt classicoptische Korrelationen, um die Rechenleistung von optischen neuronalen Netzen (ONNs) deutlich zu steigern. Die in Light Science & Application veröffentlichte Studie stellt einen wichtigen Fortschritt dar, um dem stetig wachsenden Bedarf an effizienten Modellen für maschinelles Lernen gerecht zu werden und gleichzeitig die Einschränkungen der Rechenressourcen zu minimieren.

Steigerung der KI-Effizienz durch optische und Quanten-Neuronale Netze.

der künstlichen Intelligenz (KI), insbesondere Algorithmen des maschinellen Lernens, haben in den letzten Jahren enorme Fortschritte gemacht und ermöglichen beispiellosedentbei Aufgaben wie Bilderkennung, Verarbeitung natürlicher Sprache und Objekterkennung. 

Diese Fortschritte haben jedoch ihren Preis – sie erfordern erhebliche Rechenressourcen. Die derzeitige Rechenleistung stößt an ihre Grenzen, weshalb die Trainingskosten gesenkt und die Trainingseffizienz von Modellen des maschinellen Lernens verbessert werden muss.

Forscher konzentrieren sich zur Bewältigung dieser Herausforderung auf zwei Hauptansätze: optische neuronale Netze (ONNs) und Quanten-Neuronale Netze. ONNs nutzen fortschrittliche optische Manipulationstechniken zur Ausführung von Algorithmen des maschinellen Lernens in classic optischen Informationsverarbeitung. 

Diese Netzwerke bieten mehrere Vorteile, darunter geringer Energieverbrauch, minimales Übersprechen und geringe Übertragungslatenz. Herkömmlichen ONNs fehlt jedoch die algorithmische Beschleunigung, was bedeutet, dass sie keine schnelleren Modellkonvergenzgeschwindigkeiten aufweisen.

Andererseits basieren Quantenneuronale Netze auf der Theorie des Quantencomputings. Jüngste Studien haben gezeigt, dass Quantenneuronale Netze aufgrund von Quantenkorrelationen eine algorithmische Beschleunigung erreichen können. Praktische Anwendungen von Quantenneuronalen Netzen werden jedoch durch technische Beschränkungen behindert, was ihren großflächigen Einsatz erschwert.

Korrelierte optische Faltungsneuronale Netze

Der in der jüngsten Veröffentlichung vorgestellte Durchbruch besteht in der Entwicklung eines neuartigen optischen neuronalen Netzes, das die in Quantennetzen beobachtete algorithmische Beschleunigung nachbildet. Diese bemerkenswerte Leistung wird durch die Nutzung classicoptischer Korrelationen als Informationsträger ermöglicht. Diese Korrelationen erlauben eine Informationsverarbeitung, die dem Quantencomputing ähnelt – ein Konzept, das bereits zuvor vom selben Forschungsteam demonstriert wurde.

Die Forscher entwickelten Faltungs- und Pooling-Operationen auf dem korrelierten optischen Zustand und schufen so ein korreliertes optisches Faltungsnetzwerk. Dieses Netzwerk ermöglicht ein beschleunigtes Training auf spezifischen Datensätzen und kann zurdentder Eigenschaften von Quantenzuständen unter bestimmten Kodierungsprinzipien eingesetzt werden. Dieser Durchbruch eröffnet neue Möglichkeiten für algorithmisch verbesserte optische neuronale Netzwerke und verspricht Vorteile im Zeitalter der Big-Data-Verarbeitung.

Die Struktur eines korrelierten optischen Faltungsneuronalen Netzwerks

Das korrelierte optische Faltungsnetzwerk besteht aus vier Hauptkomponenten: der korrelierten Lichtquelle, der Faltung, dem Pooling und der Detektion. Die eigentliche Verarbeitung erfolgt in den Faltungs- und Pooling-Abschnitten. 

Diese Komponenten unterscheiden sich von denen classicConvolutional Neural Networks dadurch, dass sie die Korrelation optischer Zustände manipulieren und durch Strahlverschmelzung einfachere korrelierte Zustände erzeugen.

Die leitenden Wissenschaftler der Studie erklären: „Diese beiden Teile führen tatsächlich Operationen aus, die den Quantengattern in Quanten-Faltungsneuronalen Netzen analog sind. Der Faltungsteil in unserem Netzwerk besteht aus unitären Operationen auf dem korrelierten optischen Zustand, ähnlich den unitären Operationen auf dem Hilbert-Raum der Qubits.“. 

Der von uns betrachtete Pooling-Ansatz entspricht der Messung partieller Qubits zur Gewinnung eines Sub-Hilbert-Raums. Dies führt zu einer exponentiellen Verringerung der Datendimension und trägt somit zu einer schnelleren Konvergenz der Verlustfunktion beim Lernen spezifischer Datensätze bei

Darüber hinaus bestätigen die Forscher die Ähnlichkeit ihres korrelierten optischen Faltungsnetzwerks mit quantenmechanischen Faltungsnetzwerken durch topologischedentvon Quantenzuständen. Sowohl theoretische als auch experimentelle Ergebnisse stützen diese Bestätigung.

Eine kostengünstige Alternative zu Quanten-Neuronalen Netzen

Die Ergebnisse dieser Forschung deuten auf eine vielversprechende Möglichkeit hin: die Eigenschaften von Quantenneuronalen Netzen kostengünstiger zu nutzen. Obwohl Quantenneuronale Netze potenzielle Vorteile bieten, erfordert ihre praktische Implementierung komplexe Quantenschaltungen mit mehreren Multi-Qubit-Gattern und aufwendigen Messungen. 

Diese Schaltungen sind sehr anfällig für Umwelteinflüsse, was ihre Stabilität und Fehlerkorrektur zu einer erheblichen Herausforderung macht.

Die in dieser Studie vorgestellten korrelierten optischen neuronalen Netze stellen einetracAlternative dar. Sie zeichnen sich durch einfache Elementanordnung und geringe Anforderungen an die Umgebungsbedingungen in Experimenten aus. 

Angesichts des exponentiellen Datenwachstums und der Knappheit an Ressourcen für qualitativ hochwertige Berechnungen bietet dieser Ansatz eine kosteneffektive und leistungsstarke Lösung mit vielfältigen Anwendungsmöglichkeiten in verschiedenen Bereichen der Datenwissenschaft.