В результате новаторского открытия исследователи из Пекинского технологического института под руководством профессора Сяндуна Чжана представили новый тип оптической нейронной сети (ОНН), демонстрирующий замечательное «квантовое ускорение»
Это нововведение использует classicоптические корреляции для значительного повышения вычислительной мощности оптических наносетей. Опубликованное в журнале Light Science & Application, это достижение представляет собой важный шаг на пути к удовлетворению постоянно растущего спроса на эффективные модели машинного обучения при одновременном снижении ограничений вычислительных ресурсов.
Повышение эффективности ИИ с помощью оптических и квантовых нейронных сетей.
искусственного интеллекта ( ИИ ), в частности алгоритмы машинного обучения, за последние годы достигли огромных успехов, открыв беспрецедентные dent в таких задачах, как распознавание изображений, обработка естественного языка и обнаружение объектов.
Однако эти достижения имеют свою цену – они требуют значительных вычислительных ресурсов. Текущий уровень 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 решения этой проблемы: оптических нейронных сетях (ОНС) и квантовых нейронных сетях. ОНС используют передовые методы оптического манипулирования для выполнения алгоритмов машинного обучения в classic оптической обработке информации.
Эти сети обладают рядом преимуществ, включая низкое энергопотребление, минимальные перекрестные помехи и низкую задержку передачи. Однако традиционным ОНС не хватает алгоритмического ускорения, что означает, что они не демонстрируют более высокую скорость сходимости модели.
С другой стороны, квантовые нейронные сети — это алгоритмы нейронных сетей, основанные на теории квантовых вычислений. Недавние исследования показали, что квантовые нейронные сети могут обеспечивать алгоритмическое ускорение благодаря квантовым корреляциям. К сожалению, практическое применение квантовых нейронных сетей затруднено техническими ограничениями, что делает их развертывание в больших масштабах сложной задачей.
Прорыв, представленный в недавней статье, связан с разработкой новой оптической нейронной сети, имитирующей алгоритмическое ускорение, наблюдаемое в квантовых нейронных сетях. Это замечательное достижение стало возможным благодаря введению classicоптических корреляций в качестве носителей информации. Эти корреляции позволяют осуществлять обработку информации, аналогичную квантовым вычислениям, — концепция, ранее продемонстрированная той же исследовательской группой.
Исследователи разработали сверточные и пулинговые операции над коррелированным оптическим состоянием, что привело к созданию коррелированной оптической сверточной нейронной сети. Эта оптическая нейронная сеть демонстрирует ускоренное обучение на определенных наборах данных и может быть применена дляdentхарактеристик квантовых состояний в соответствии с конкретными принципами кодирования. Этот прорыв открыл двери для алгоритмически усовершенствованных оптических нейронных сетей, обещая преимущества в эпоху обработки больших данных.
Коррелированная оптическая сверточная нейронная сеть включает четыре основных компонента: коррелированный источник света, свертку, пулинг и обнаружение. Основная обработка выполняется секциями свертки и пулинга.
Эти компоненты отличаются от компонентов classicсверточных нейронных сетей тем, что они манипулируют корреляцией оптических состояний и генерируют более простые коррелированные состояния посредством слияния лучей.
Ведущие исследователи объясняют: «Эти две части фактически выполняют операции, аналогичные квантовым вентилям в квантовых сверточных нейронных сетях. Сверточная часть в нашей сети состоит из унитарных операций над коррелированным оптическим состоянием, подобных унитарным операциям над гильбертовым пространством кубитов».
Рассматриваемая нами часть, связанная с объединением данных, эквивалентна измерению частичных кубитов для получения субгильбертова пространства. 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 своей коррелированной оптической сверточной нейронной сетью и квантовыми сверточными нейронными сетями путем проведения топологическойdentфаз квантовых состояний. Это подтверждается как теоретическими, так и экспериментальными результатами.
Экономически эффективная альтернатива квантовым нейронным сетям
Результаты этого исследования указывают на захватывающую возможность – реализацию свойств квантовых нейронных сетей более экономичным способом. Хотя квантовые нейронные сети обладают потенциальными преимуществами, их практическая реализация требует сложных квантовых схем с множеством многокубитных вентилей и сложными измерениями.
Эти схемы крайне чувствительны к внешним воздействиям, что делает обеспечение их стабильности и коррекции ошибок серьезной проблемой.
Представленные в данном исследовании коррелированные оптические нейронные сети представляют собойtracальтернативу. Они отличаются простотой расположения элементов и низкими требованиями к условиям проведения экспериментов.
Учитывая экспоненциальный рост объёма данных и дефицит ресурсов для высококачественных вычислений, этот подход представляет собой экономически эффективное и высокопроизводительное решение с широким спектром применения в различных областях исследований в сфере науки о данных.
