北京科学家揭示改变游戏规则的光学神经网络，彻底改变AI训练

在一项突破性进展中，北京理工大学的研究人员在张向东教授的领导下，展示了一种新型光学神经网络（ONN），表现出显著的“量子加速”效果。 

这项创新利用经典光学相关性显著增强了ONN的计算能力。该成果发表在《Light Science & Application》上，代表了在满足日益增长的高效机器学习模型需求的同时减轻计算资源限制方面迈出的重要一步。

利用光学和量子神经网络提升AI效率。

人工智能（AI）技术，特别是机器学习算法，近年来取得了巨大进步，使图像识别、自然语言处理和物体检测等任务具备了前所未有的能力。

然而，这些进步是有代价的——它们需要大量的计算资源。当前的计算能力已接近极限， necessitating 降低训练成本并提高机器学习模型的训练效率。

研究人员将精力集中在解决这一挑战的两个主要途径上：光学神经网络（ONN）和量子神经网络。ONN利用先进的光学操纵技术，在经典光学信息处理中执行机器学习算法。 

这些网络具有多项优势，包括低能耗、极少的串扰和低传输延迟。然而，传统ONN缺乏算法加速，这意味着它们没有表现出更快的模型收敛速度。

另一方面，量子神经网络是基于量子计算理论的神经网络算法。最近的研究表明，由于量子相关性，量子神经网络可以实现算法加速。不幸的是，量子神经网络的实际应用受到技术限制，使其难以大规模部署。

相关光学卷积神经网络

最近论文中提出的突破涉及开发一种新型光学神经网络，该网络模仿了量子神经网络中看到的算法加速。这一非凡的成就通过引入经典光学相关性作为信息载体成为可能。这些相关性使得信息处理类似于量子计算，这一概念此前已由同一研究团队展示。

研究人员在相关光学状态上开发了卷积和池化操作，从而创建了相关光学卷积神经网络。该ONN在特定数据集上表现出加速训练，并可应用于在特定编码原理下识别量子态的特征。这一突破为算法增强的光学神经网络打开了大门，有望在大数据处理时代带来益处。

相关光学卷积神经网络的结构

相关光学卷积神经网络由四个主要部分组成：相关光源、卷积、池化和检测。核心处理由卷积和池化部分执行。 

这些组件与经典卷积神经网络中的组件不同，因为它们操纵光学状态的相关性，并通过光束合并生成更简单的相关状态。

领导研究的科学家解释说：“这两部分实际上执行类似于量子卷积神经网络中量子门的操作。我们网络中的卷积部分由对相关光学状态进行的幺正操作组成，类似于对量子比特的希尔伯特空间进行的幺正操作。 

我们考虑的池化部分等效于测量部分量子比特以获得子希尔伯特空间。这导致数据维度的指数级减少，有助于在特定数据集学习时损失函数更快收敛。”

此外，研究人员通过对量子态进行拓扑相识别，证明了其相关光学卷积神经网络与量子卷积神经网络之间的相似性。理论和实验结果都支持这一认证。

量子神经网络的低成本替代方案

这项研究的结果指向了一个令人兴奋的可能性——以更经济的方式实现量子神经网络的特性。虽然量子神经网络提供了潜在的優勢，但其实际实施需要复杂的多量子比特门量子电路和复杂的测量。 

这些电路极易受到环境干扰，使其稳定性和纠错成为一个重大挑战。

本研究中引入的相关光学神经网络提供了一个有吸引力的替代方案。它们表现出易于元件排列，并且在实验中对环境要求较低。 

鉴于数据的指数级增长和高质量计算资源的稀缺，这种方法提供了一种具有广泛应用前景的高性能、低成本解决方案，适用于各种数据科学研究领域。