Gli scienziati di Pechino svelano una rete neurale ottica rivoluzionaria, che rivoluziona l'addestramento dell'intelligenza artificiale

In uno sviluppo rivoluzionario, i ricercatori del Beijing Institute of Technology, guidati dal professor Xiangdong Zhang, hanno svelato un nuovo tipo di rete neurale ottica (ONN) che dimostra una notevole "accelerazione quantistica" 

Questa innovazione sfrutta classiccorrelazioni ottiche dell'intelligenza artificiale per migliorare significativamente la potenza di calcolo delle reti di reti neurali (ONN). Pubblicato su Light Science & Application, questo risultato rappresenta un importante passo avanti verso la risposta alla crescente domanda di modelli di apprendimento automatico efficienti, mitigando al contempo i limiti delle risorse computazionali.

Migliorare l'efficienza dell'intelligenza artificiale con reti neurali ottiche e quantistiche.

di intelligenza artificiale (IA), in particolare gli algoritmi di apprendimento automatico, hanno fatto enormi progressi negli ultimi anni, consentendo capacità senzadentin attività quali il riconoscimento delle immagini, l'elaborazione del linguaggio naturale e il rilevamento degli oggetti. 

Tuttavia, questi progressi hanno un costo: richiedono ingenti risorse di calcolo. L'attuale potenza di calcolo sta raggiungendo i suoi limiti, rendendo necessaria la riduzione dei costi di addestramento e il miglioramento dell'efficienza di addestramento per i modelli di apprendimento automatico.

Per affrontare questa sfida, i ricercatori hanno concentrato i loro sforzi su due strade principali: le reti neurali ottiche (ONN) e le reti neurali quantistiche. Le ONN utilizzano tecniche avanzate di manipolazione ottica per eseguire algoritmi di apprendimento automatico nell'elaborazione ottica classic delle informazioni. 

Queste reti vantano diversi vantaggi, tra cui bassi consumi energetici, diafonia minima e bassa latenza di trasmissione. Tuttavia, le ONN tradizionali non dispongono di accelerazione algoritmica, il che significa che non presentano velocità di convergenza del modello più elevate.

D'altro canto, le reti neurali quantistiche sono algoritmi di reti neurali basati sulla teoria del calcolo quantistico. Studi recenti hanno dimostrato che le reti neurali quantistiche possono raggiungere un'accelerazione algoritmica grazie alle correlazioni quantistiche. Sfortunatamente, le applicazioni pratiche delle reti neurali quantistiche sono ostacolate da limitazioni tecniche, che ne rendono difficile l'implementazione su larga scala.

Reti neurali convoluzionali ottiche correlate

La svolta presentata nel recente articolo riguarda lo sviluppo di una nuova rete neurale ottica che imita l'accelerazione algoritmica osservata nelle reti neurali quantistiche. Questo straordinario risultato è reso possibile dall'introduzione classiccorrelazioni ottiche AI ​​come vettori di informazione. Queste correlazioni consentono un'elaborazione delle informazioni simile a quella del calcolo quantistico, un concetto precedentemente dimostrato dallo stesso team di ricerca.

I ricercatori hanno sviluppato operazioni di convoluzione e pooling sullo stato ottico correlato, dando vita a una rete neurale ottica convoluzionale correlata. Questa ONN dimostra un addestramento accelerato su set di dati specifici e può essere applicata perdentle caratteristiche degli stati quantistici secondo specifici principi di codifica. Questa svolta ha aperto le porte a reti neurali ottiche potenziate algoritmicamente, promettendo vantaggi nell'era dell'elaborazione dei big data.

La struttura di una rete neurale convoluzionale ottica correlata

La rete neurale ottica convoluzionale correlata è composta da quattro componenti principali: la sorgente luminosa correlata, la convoluzione, il pooling e le rilevazioni. L'elaborazione principale è eseguita dalle sezioni di convoluzione e pooling. 

Questi componenti differiscono da quelli delle reti neurali convoluzionali classicpoiché manipolano la correlazione degli stati ottici e generano stati correlati più semplici attraverso la fusione dei fasci.

Gli scienziati che guidano la ricerca spiegano: "Queste due parti eseguono in realtà operazioni analoghe a quelle delle porte quantistiche nelle reti neurali convoluzionali quantistiche. La parte convoluzionale della nostra rete è composta da operazioni unitarie sullo stato ottico correlato, simili alle operazioni unitarie sullo spazio di Hilbert dei qubit. 

La parte di pooling che consideriamo equivale a misurare qubit parziali per ottenere uno spazio sub-Hilbertiano. Ciò porta a una diminuzione esponenziale della dimensione dei dati, contribuendo a una convergenza più rapida della funzione di perdita durante l'apprendimento di set di dati specifici."

Inoltre, i ricercatori certificano la similarità tra la loro rete neurale ottica convoluzionale correlata e le reti neurali convoluzionali quantistiche eseguendo l'dentdi fase topologica degli stati quantistici. Sia i risultati teorici che quelli sperimentali supportano questa certificazione.

Un'alternativa conveniente alle reti neurali quantistiche

I risultati di questa ricerca aprono la strada a una possibilità entusiasmante: realizzare le proprietà delle reti neurali quantistiche in modo più conveniente. Sebbene le reti neurali quantistiche offrano potenziali vantaggi, la loro implementazione pratica richiede circuiti quantistici complessi con molteplici porte multi-qubit e misurazioni complesse. 

Questi circuiti sono altamente sensibili ai disturbi ambientali, il che rende la loro stabilità e correzione degli errori una sfida notevole.

Le reti neurali ottiche correlate introdotte in questo studio rappresentano un'alternativatrac. Presentano facilità di disposizione degli elementi e richiedono bassi requisiti ambientali negli esperimenti. 

Considerata la crescita esponenziale dei dati e la scarsità di risorse per calcoli di alta qualità, questo approccio fornisce una soluzione conveniente e ad alte prestazioni con un'ampia gamma di applicazioni in vari campi di ricerca della scienza dei dati.