Scienziati di Pechino rivelano una rete neurale ottica rivoluzionaria, che cambia le regole dell'addestramento dell'IA

In uno sviluppo rivoluzionario, i ricercatori dell'Istituto di Tecnologia di Pechino, guidati dal Professor Xiangdong Zhang, hanno presentato un nuovo tipo di rete neurale ottica (ONN) che dimostra un notevole "quantum speedup" (accelerazione quantistica). 

Questa innovazione sfrutta le correlazioni ottiche classiche per migliorare significativamente il potere computazionale delle ONN. Pubblicato su Light Science & Application, questo risultato rappresenta un grande passo avanti verso l'adempimento della domanda sempre crescente di modelli di machine learning efficienti, mitigando al contempo le limitazioni delle risorse computazionali.

Migliorare l'efficienza dell'IA con Reti Neurali Ottiche e Quantistiche.

Le tecnologie di intelligenza artificiale (IA), in particolare gli algoritmi di machine learning, hanno fatto enormi progressi negli ultimi anni, abilitando capacità senza precedenti in compiti come il riconoscimento delle immagini, l'elaborazione del linguaggio naturale e il rilevamento degli oggetti.

Tuttavia, questi avanzamenti hanno un costo: richiedono risorse computazionali sostanziali. Lo stato attuale della potenza computazionale si sta avvicinando ai suoi limiti, rendendo necessario ridurre i costi di addestramento e migliorare l'efficienza di addestramento per i modelli di machine learning.

I ricercatori hanno concentrato i loro sforzi su due principali vie per affrontare questa sfida: le reti neurali ottiche (ONN) e le reti neurali quantistiche. Le ONN utilizzano tecniche avanzate di manipolazione ottica per eseguire algoritmi di machine learning nell'elaborazione classica delle informazioni ottiche. 

Queste reti vantano diversi vantaggi, tra cui basso consumo energetico, minima diafonia e bassa latenza di trasmissione. Tuttavia, le ONN tradizionali mancano di accelerazione algoritmica, il che significa che non mostrano velocità di convergenza del modello più rapide.

D'altra parte, le reti neurali quantistiche sono algoritmi di rete neurale fondati 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, rendendole difficili da implementare su larga scala.

Reti Neurali Convoluzionali Ottiche Correlate

Il risultato innovativo presentato nel recente articolo riguarda lo sviluppo di una nuova rete neurale ottica che imita l'accelerazione algoritmica vista nelle reti neurali quantistiche. Questo risultato notevole è reso possibile introducendo le correlazioni ottiche classiche come vettori di informazione. Queste correlazioni abilitano l'elaborazione delle informazioni simile al calcolo quantistico, un concetto precedentemente dimostrato dallo stesso team di ricerca.

I ricercatori hanno sviluppato operazioni di convoluzione e pooling sullo stato ottico correlato, risultando nella creazione di una rete neurale convoluzionale ottica correlata. Questa ONN dimostra un addestramento accelerato su dataset specifici e può essere applicata per identificare le caratteristiche degli stati quantistici sotto specifici principi di codifica. Questo risultato ha aperto le porte alle reti neurali ottiche potenziate algoritmamente, promettendo benefici nell'era dell'elaborazione dei big data.

La struttura di una rete neurale convoluzionale ottica correlata

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

Questi componenti differiscono da quelli nelle reti neurali convoluzionali classiche poiché 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 effettivamente le operazioni analoghe alle porte quantistiche nelle reti neurali convoluzionali quantistiche. La parte di convoluzione nella 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 è equivalente alla misurazione di qubit parziali per ottenere uno spazio sub-Hilbert. Questo porta a una diminuzione esponenziale della dimensione dei dati, contribuendo a una convergenza più rapida della funzione di perdita quando si apprendono dataset specifici."

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

Un'alternativa economica alle reti neurali quantistiche

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

Questi circuiti sono altamente suscettibili alle perturbazioni ambientali, rendendo la loro stabilità e correzione degli errori una sfida sostanziale.

Le reti neurali ottiche correlate introdotte in questo studio presentano un'alternativa attraente. Mostrano facilità di disposizione degli elementi e hanno bassi requisiti ambientali negli esperimenti. 

Dato la crescita esponenziale dei dati e la scarsità di risorse per il calcolo di alta qualità, questo approccio fornisce una soluzione economica e ad alte prestazioni con applicazioni diffuse in vari campi di ricerca della scienza dei dati.