Cargando...

Científicos de Beijing revelan una red neuronal óptica revolucionaria que revoluciona el entrenamiento en IA

TL;DR

  • Las redes neuronales ópticas emulan la velocidad cuántica y mejoran el aprendizaje de la IA
  • Una alternativa económica cierra la brecha de eficiencia de la IA y reduce la demanda de recursos
  • Investigadores de Beijing son pioneros en tecnología de redes neuronales ópticas que cambia las reglas del juego

En un desarrollo innovador, investigadores del Instituto de Tecnología de Beijing, dirigidos por el profesor Xiangdong Zhang, han revelado un nuevo tipo de red neuronal óptica (ONN) que demuestra una notable "aceleración cuántica". 

Esta innovación aprovecha las correlaciones ópticas classic para mejorar significativamente el poder computacional de los ONN. Publicado en Light Science & Application, este logro representa un gran paso para abordar la demanda cada vez mayor de modelos eficientes de aprendizaje automático y al mismo tiempo mitiga las limitaciones de recursos computacionales.

Mejora de la eficiencia de la IA con redes neuronales ópticas y cuánticas.

de inteligencia artificial ( IA ), en particular los algoritmos de aprendizaje automático, han logrado enormes avances en los últimos años, permitiendo capacidades sin precedentes dent tareas como el reconocimiento de imágenes, el procesamiento del lenguaje natural y la detección de objetos.

Sin embargo, estos avances tienen un costo: requieren importantes recursos computacionales. El estado actual del poder computacional se está acercando a sus límites, lo que requiere la reducción de los costos de capacitación y la mejora de la eficiencia de la capacitación para los modelos de aprendizaje automático.

Los investigadores han centrado sus esfuerzos en dos vías principales para abordar este desafío: las redes neuronales ópticas (ONN) y las redes neuronales cuánticas. Los ONN utilizan técnicas avanzadas de manipulación óptica para ejecutar algoritmos de aprendizaje automático en el procesamiento de información óptica classic .  

Estas redes cuentan con varias ventajas, incluido el bajo consumo de energía, la mínima diafonía y la baja latencia de transmisión. Sin embargo, los ONN tradicionales carecen de aceleración algorítmica, lo que significa que no exhiben velocidades de convergencia de modelos más rápidas.

Por otro lado, las redes neuronales cuánticas son algoritmos de redes neuronales basados ​​en la teoría de la computación cuántica. Estudios recientes han demostrado que las redes neuronales cuánticas pueden lograr una aceleración algorítmica debido a correlaciones cuánticas. Desafortunadamente, las aplicaciones prácticas de las redes neuronales cuánticas se ven obstaculizadas por limitaciones técnicas, lo que dificulta su implementación a gran escala.

Redes neuronales convolucionales ópticas correlacionadas

El avance presentado en el artículo reciente implica el desarrollo de una nueva red neuronal óptica que imita la aceleración algorítmica observada en las redes neuronales cuánticas. Este notable logro es posible gracias a la introducción de correlaciones ópticas classic como portadoras de información. Estas correlaciones permiten un procesamiento de información similar a la computación cuántica, un concepto demostrado previamente por el mismo equipo de investigación.

Los investigadores desarrollaron operaciones convolucionales y de agrupación en el estado óptico correlacionado, lo que dio como resultado la creación de una red neuronal convolucional óptica correlacionada. Esta ONN demuestra un entrenamiento acelerado en conjuntos de datos específicos y puede aplicarse para dent las características de los estados cuánticos bajo principios de codificación específicos. Este avance ha abierto las puertas a redes neuronales ópticas mejoradas algorítmicamente, lo que promete beneficios en la era del procesamiento de big data.

La estructura de una red neuronal convolucional óptica correlacionada.

La red neuronal convolucional óptica correlacionada comprende cuatro componentes principales: la fuente de luz correlacionada, la convolución, la agrupación y las detecciones. El procesamiento central lo realizan las secciones de convolución y agrupación.  

Estos componentes se diferencian de los de las redes neuronales convolucionales classic en que manipulan la correlación de estados ópticos y generan estados correlacionados más simples mediante la fusión de haces.

Los científicos que lideran la investigación explican: “Estas dos partes en realidad realizan operaciones análogas a las puertas cuánticas en las redes neuronales convolucionales cuánticas. La parte de convolución en nuestra red se compone de operaciones unitarias en el estado óptico correlacionado, similares a operaciones unitarias en el espacio de Hilbert de qubits.  

La parte de agrupación que consideramos equivale a medir qubits parciales para obtener un espacio sub-Hilbert. Esto conduce a una disminución exponencial en la dimensión de los datos, lo que contribuye a una convergencia más rápida de la función de pérdida al aprender conjuntos de datos específicos”.

Además, los investigadores certifican la similitud entre su red neuronal convolucional óptica correlacionada y las redes neuronales convolucionales cuánticas mediante la identificación de fases dent de estados cuánticos. Tanto los resultados teóricos como los experimentales avalan esta certificación.

Una alternativa rentable a las redes neuronales cuánticas

Los resultados de esta investigación apuntan hacia una posibilidad interesante: realizar las propiedades de las redes neuronales cuánticas de una manera más rentable. Si bien las redes neuronales cuánticas ofrecen ventajas potenciales, su implementación práctica requiere circuitos cuánticos complejos con múltiples puertas multiqubit y mediciones intrincadas.  

Estos circuitos son muy susceptibles a las perturbaciones ambientales, lo que hace que su estabilidad y corrección de errores sean un desafío sustancial.

Las redes neuronales ópticas correlacionadas presentadas en este estudio presentan una alternativa trac . Muestran facilidad en la disposición de los elementos y tienen bajos requisitos ambientales en los experimentos.  

Dado el crecimiento exponencial de los datos y la escasez de recursos para la computación de alta calidad, este enfoque proporciona una solución rentable y de alto rendimiento con una amplia gama de aplicaciones en diversos campos de investigación de la ciencia de datos.

Descargo de responsabilidad. La información proporcionada no es un consejo comercial. Cryptopolitan.com no asume ninguna responsabilidad por las inversiones realizadas en función de la información proporcionada en esta página. Recomendamos tron dent y/o la consulta con un profesional calificado antes de tomar cualquier decisión de inversión .

Compartir enlace:

Emman Omwanda

Emmanuel Omwanda es un reportero de blockchain que profundiza en las noticias de la industria, el análisis en cadena, los tokens no fungibles (NFT), la inteligencia artificial (IA) y más. Su experiencia reside en los mercados de criptomonedas y abarca tanto el análisis fundamental como el técnico.

Cargando los artículos más leídos...

Manténgase al tanto de las noticias sobre criptomonedas y reciba actualizaciones diarias en su bandeja de entrada

Noticias relacionadas

Manzana
criptopolitano
Suscríbete a CryptoPolitan