Wird geladen...

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

TL;DR

  • Optische neuronale Netze emulieren die Quantengeschwindigkeit und verbessern so das KI-Lernen
  • Eine kostengünstige Alternative überbrückt die Lücke bei der KI-Effizienz und reduziert den Ressourcenbedarf
  • Pekinger Forscher sind Pioniere der bahnbrechenden optischen neuronalen Netzwerktechnologie

In einer bahnbrechenden Entwicklung haben Forscher des Beijing Institute of Technology unter der Leitung von Professor Xiangdong Zhang einen neuartigen Typ eines optischen neuronalen Netzwerks (ONN) vorgestellt, das eine bemerkenswerte „Quantenbeschleunigung“ zeigt. 

Diese Innovation nutzt classic optische Korrelationen, um die Rechenleistung von ONNs deutlich zu steigern. Dieser in Light Science & Application veröffentlichte Erfolg stellt einen großen Schritt dar, um der ständig steigenden Nachfrage nach effizienten Modellen für maschinelles Lernen gerecht zu werden und gleichzeitig die Einschränkungen der Rechenressourcen zu verringern.

Steigerung der KI-Effizienz mit optischen und quanten-neuronalen Netzen.

der künstlichen Intelligenz ( KI ), insbesondere Algorithmen für maschinelles Lernen, haben in den letzten Jahren enorme Fortschritte gemacht und beispiellose dent bei Aufgaben wie Bilderkennung, Verarbeitung natürlicher Sprache und Objekterkennung ermöglicht.

Diese Fortschritte haben jedoch ihren Preis – sie erfordern erhebliche Rechenressourcen. Der aktuelle Stand der Rechenleistung stößt an seine Grenzen, was eine Reduzierung der Trainingskosten und eine Verbesserung der Trainingseffizienz für Modelle des maschinellen Lernens erforderlich macht.

Die Forscher haben ihre Bemühungen auf zwei Hauptwege zur Bewältigung dieser Herausforderung konzentriert: optische neuronale Netze (ONNs) und quantenneuronale Netze. ONNs nutzen fortschrittliche optische Manipulationstechniken zur Ausführung von Algorithmen für maschinelles Lernen in der classic optischen Informationsverarbeitung.  

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

Andererseits sind quanten-neuronale Netze neuronale Netzalgorithmen, die auf der Theorie des Quantencomputers basieren. Aktuelle Studien haben gezeigt, dass quanten-neuronale Netze aufgrund von Quantenkorrelationen eine algorithmische Beschleunigung erreichen können. Leider werden praktische Anwendungen von Quanten-Neuronalen Netzen durch technische Einschränkungen behindert, was ihren Einsatz in großem Maßstab schwierig macht.

Korrelierte optische Faltungs-Neuronale Netze

Der in der aktuellen Arbeit vorgestellte Durchbruch beinhaltet die Entwicklung eines neuartigen optischen neuronalen Netzwerks, das die algorithmische Beschleunigung nachahmt, die in quanten-neuronalen Netzwerken beobachtet wird. Möglich wurde diese bemerkenswerte Leistung durch die Einführung classic optischer Korrelationen als Informationsträger. Diese Korrelationen ermöglichen eine Informationsverarbeitung ähnlich dem Quantencomputing, ein Konzept, das zuvor vom selben Forschungsteam demonstriert wurde.

Die Forscher entwickelten Faltungs- und Pooling-Operationen für den korrelierten optischen Zustand, was zur Schaffung eines korrelierten optischen Faltungs-Neuronalen Netzwerks führte. Dieses ONN demonstriert beschleunigtes Training für bestimmte Datensätze und kann zur dent der Eigenschaften von Quantenzuständen unter bestimmten Kodierungsprinzipien angewendet werden. Dieser Durchbruch hat Türen zu algorithmisch verbesserten optischen neuronalen Netzen geöffnet und verspricht Vorteile im Zeitalter der Big-Data-Verarbeitung.

Die Struktur eines korrelierten optischen Faltungs-Neuronalen Netzwerks

Das korrelierte optische Faltungs-Neuronale Netzwerk besteht aus vier Hauptkomponenten: der korrelierten Lichtquelle, der Faltung, dem Pooling und den Erkennungen. Die Kernverarbeitung wird von den Faltungs- und Pooling-Abschnitten durchgeführt.  

Diese Komponenten unterscheiden sich von denen in classic Faltungs-Neuronalen Netzen dadurch, dass sie die Korrelation optischer Zustände manipulieren und durch Strahlverschmelzung einfachere korrelierte Zustände erzeugen.

Die Wissenschaftler, die die Forschung leiten, erklären: „Diese beiden Teile führen tatsächlich die Operationen analog zu den Quantengattern in den Quantenfaltungs-Neuronalen Netzen durch. Der Faltungsteil in unserem Netzwerk besteht aus einheitlichen Operationen am korrelierten optischen Zustand, ähnlich den einheitlichen Operationen am Hilbert-Raum von Qubits.  

Der von uns betrachtete Pooling-Teil entspricht der Messung partieller Qubits, um einen Sub-Hilbert-Raum zu erhalten. Dies führt zu einer exponentiellen Verringerung der Datendimension und trägt zu einer schnelleren Konvergenz der Verlustfunktion beim Lernen bestimmter Datensätze bei.“

Darüber hinaus bescheinigen die Forscher die Ähnlichkeit zwischen ihrem korrelierten optischen Faltungs-Neuronalen Netzwerk und Quanten-Faltungs-Neuronalen Netzwerken, indem sie eine topologische dent von Quantenzuständen durchführen. Sowohl theoretische als auch experimentelle Ergebnisse stützen diese Zertifizierung.

Eine kostengünstige Alternative zu Quanten-Neuronalen Netzen

Die Ergebnisse dieser Forschung weisen auf eine spannende Möglichkeit hin – die Eigenschaften von Quanten-Neuronalen Netzen auf kostengünstigere Weise zu realisieren. Während Quanten-Neuronale Netze potenzielle Vorteile bieten, erfordert ihre praktische Umsetzung komplexe Quantenschaltkreise mit mehreren Multi-Qubit-Gattern und komplizierte Messungen.  

Diese Schaltkreise sind sehr anfällig gegenüber Umgebungsstörungen, was ihre Stabilität und Fehlerkorrektur zu einer erheblichen Herausforderung macht.

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

Angesichts des exponentiellen Datenwachstums und der Knappheit an Ressourcen für qualitativ hochwertige Berechnungen bietet dieser Ansatz eine kostengünstige und leistungsstarke Lösung mit weitreichenden Anwendungen in verschiedenen Forschungsbereichen der Datenwissenschaft.

Haftungsausschluss. Die bereitgestellten Informationen sind keine Handelsberatung. Cryptopolitan.com haftet nicht für Investitionen, die auf der Grundlage der auf dieser Seite bereitgestellten Informationen getätigt wurden. Wir empfehlen tron dent Recherche und/oder Beratung durch einen qualifizierten Fachmann, bevor Sie eine Anlageentscheidung treffen.

Einen Link teilen:

Emman Omwanda

Emmanuel Omwanda ist ein Blockchain-Reporter, der sich eingehend mit Branchennachrichten, On-Chain-Analysen, nicht fungiblen Token (NFTs), künstlicher Intelligenz (KI) und mehr befasst. Seine Expertise liegt auf Kryptowährungsmärkten und umfasst sowohl fundamentale als auch technische Analysen.

Meist gelesen

Die meisten gelesenen Artikel werden geladen...

Bleiben Sie über Krypto-Neuigkeiten auf dem Laufenden und erhalten Sie tägliche Updates in Ihrem Posteingang

Ähnliche Neuigkeiten

Künstliche Intelligenz
Kryptopolitan
Abonnieren Sie CryptoPolitan