Ученые из Пекина представляют революционную оптическую нейронную сеть, меняющую правила игры в обучении ИИ

В прорывном развитии исследователи из Пекинского технологического института под руководством профессора Сяндуна Чжана представили новый тип оптической нейронной сети (ONN), демонстрирующий удивительное «квантовое ускорение». 

Эта инновация использует классические оптические корреляции для значительного усиления вычислительной мощности ONN. Опубликованное в Light Science & Application, это достижение представляет собой большой шаг к удовлетворению постоянно растущего спроса на эффективные модели машинного обучения при одновременном смягчении ограничений вычислительных ресурсов.

Повышение эффективности ИИ с помощью оптических и квантовых нейронных сетей.

Технологии искусственного интеллекта (ИИ), особенно алгоритмы машинного обучения, совершили огромные достижения в последние годы, обеспечив беспрецедентные возможности в таких задачах, как распознавание изображений, обработка естественного языка и обнаружение объектов.

Однако эти достижения обходятся дорого — они требуют значительных вычислительных ресурсов. Текущее состояние вычислительной мощности приближается к своим пределам, что требует снижения затрат на обучение и повышения эффективности обучения моделей машинного обучения.

Исследователи сосредоточили свои усилия на двух основных направлениях для решения этой проблемы: оптических нейронных сетях (ONN) и квантовых нейронных сетях. ONN используют передовые методы оптической манипуляции для выполнения алгоритмов машинного обучения в классической оптической обработке информации. 

Эти сети обладают рядом преимуществ, включая низкое энергопотребление, минимальные перекрестные помехи и низкую задержку передачи. Однако традиционные ONN не имеют алгоритмического ускорения, что означает, что они не демонстрируют более быстрых скоростей сходимости моделей.

С другой стороны, квантовые нейронные сети — это алгоритмы нейронных сетей, основанные на теории квантовых вычислений. Недавние исследования показали, что квантовые нейронные сети могут достигать алгоритмического ускорения благодаря квантовым корреляциям. К сожалению, практическое применение квантовых нейронных сетей затруднено техническими ограничениями, что делает их сложными для развертывания в больших масштабах.

Коррелированные оптические сверточные нейронные сети

Прорыв, представленный в недавней статье, включает разработку новой оптической нейронной сети, которая имитирует алгоритмическое ускорение, наблюдаемое в квантовых нейронных сетях. Это удивительное достижение стало возможным благодаря введению классических оптических корреляций в качестве носителей информации. Эти корреляции позволяют обрабатывать информацию, подобно квантовым вычислениям, концепция, ранее продемонстрированная той же исследовательской группой.

Исследователи разработали операции свертки и пулинга на коррелированном оптическом состоянии, в результате чего была создана коррелированная оптическая сверточная нейронная сеть. Эта ONN демонстрирует ускоренное обучение на определенных наборах данных и может применяться для идентификации характеристик квантовых состояний при определенных принципах кодирования. Этот прорыв открыл двери для алгоритмически улучшенных оптических нейронных сетей, обещая преимущества в эпоху обработки больших данных.

Структура коррелированной оптической сверточной нейронной сети

Коррелированная оптическая сверточная нейронная сеть состоит из четырех основных компонентов: коррелированный источник света, сверточный блок, блок пулинга и детекторы. Основная обработка данных выполняется сверточным и пулинговым блоками. 

Эти компоненты отличаются от аналогичных блоков в классических сверточных нейронных сетях, так как они манипулируют корреляцией оптических состояний и генерируют более простые коррелированные состояния путем слияния пучков.

Ученые, руководящие исследованием, объясняют: «Эти два блока фактически выполняют операции, аналогичные квантовым вентильным операциям в квантовых сверточных нейронных сетях. Сверточный блок нашей сети состоит из унитарных операций над коррелированным оптическим состоянием, подобно унитарным операциям в гильбертовом пространстве кубитов. 

Рассматриваемый нами блок пулинга эквивалентен измерению части кубитов для получения подпространства Гильберта. Это приводит к экспоненциальному уменьшению размерности данных, что способствует более быстрой сходимости функции потерь при обучении на конкретных наборах данных».

Кроме того, исследователи подтверждают сходство между их коррелированной оптической сверточной нейронной сетью и квантовой сверточной нейронной сетью, проводя топологическую фазовую идентификацию квантовых состояний. Как теоретические, так и экспериментальные результаты поддерживают это заключение.

Экономически эффективная альтернатива квантовым нейронным сетям

Результаты этого исследования указывают на захватывающую возможность — реализацию свойств квантовых нейронных сетей более экономически эффективным способом. Хотя квантовые нейронные сети предлагают потенциальные преимущества, их практическая реализация требует сложных квантовых схем с множеством многокубитных вентилей и сложными измерениями. 

Эти схемы крайне чувствительны к внешним возмущениям, что делает обеспечение их стабильности и коррекции ошибок серьезной проблемой.

Коррелированные оптические нейронные сети, представленные в этом исследовании, представляют собой привлекательную альтернативу. Они отличаются простотой компоновки элементов и низкими требованиями к условиям окружающей среды в экспериментах. 

Учитывая экспоненциальный рост объемов данных и нехватку ресурсов для высококачественных вычислений, этот подход обеспечивает экономически эффективное и высокопроизводительное решение с широким спектром применения в различных областях исследований в области науки о данных.