北京理工大学张向东教授领导的研究人员取得了一项突破性进展，他们展示了一种新型的光学神经网络（ONN），该网络展现出显著的“量子加速”。
这项创新利用 classic全光学相关性显著提升了光神经网络的计算能力。该成果发表于《光科学与应用》期刊，标志着在满足日益增长的高效机器学习模型需求并缓解计算资源限制方面迈出了重要一步。.
利用光学和量子神经网络提高人工智能效率。.
近年来，人工智能（ AI 在图像识别、自然语言处理和目标检测等任务中实现了前所未有的能力dent
然而，这些进步并非没有代价——它们需要大量的计算资源。目前的计算能力已接近极限，因此亟需降低机器学习模型的训练成本并提高训练效率。.
研究人员已将工作重点放在应对这一挑战的两条主要途径上：光学神经网络（ONN）和量子神经网络。ONN利用先进的光学操控技术，在 classic 光学信息处理中执行机器学习算法。.
这些网络具有诸多优势，包括低能耗、低串扰和低传输延迟。然而，传统的光网络缺乏算法加速，这意味着它们的模型收敛速度并不快。.
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。近期研究表明，量子神经网络能够利用量子关联实现算法加速。然而，量子神经网络的实际应用受到技术限制，难以大规模部署。.
最近发表的论文中提出的突破性成果在于开发了一种新型光学神经网络，该网络能够模拟量子神经网络中观察到的算法加速现象。这一卓越成就的实现得益于引入了 classic光学关联作为信息载体。这些关联使得信息处理能够类似于量子计算，而量子计算的概念此前已由同一研究团队验证。.
研究人员对相关光学态进行了卷积和池化操作，从而构建了相关光学卷积神经网络（ONN）。该ONN在特定数据集上展现出加速训练的能力，并可用于dent特定编码原理下量子态的特征。这一突破为算法增强型光学神经网络开辟了道路，有望在大数据处理时代带来巨大益处。.
相关光学卷积神经网络由四个主要部分组成：相关光源、卷积层、池化层和检测层。核心处理由卷积层和池化层完成。.
这些组件与 classical 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。.
领导这项研究的科学家解释说：“这两个部分实际上执行的操作类似于量子卷积神经网络中的量子门。我们网络中的卷积部分由对相关光学态的酉运算组成，类似于对量子比特希尔伯特空间的酉运算。”.
我们考虑的池化部分等价于测量部分量子比特以获得亚希尔伯特空间。这会导致数据维度呈指数级下降，从而有助于在学习特定数据集时更快地收敛损失函数。
此外，研究人员通过对量子态进行拓扑dent识别，验证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。理论和实验结果均支持这一验证。.
一种经济高效的量子神经网络替代方案
这项研究成果指向一个令人振奋的可能性——以更经济高效的方式实现量子神经网络的特性。虽然量子神经网络具有潜在优势，但其实际应用需要复杂的量子电路，包括多个多量子比特门和精细的测量。.
这些电路极易受到环境干扰，因此其稳定性和纠错能力面临着巨大的挑战。.
本研究提出的相关光学神经网络提供了一种trac吸引力的替代方案。它们具有元件易于布置、实验环境要求低的优点。.
鉴于数据呈指数级增长，而高质量计算资源却十分稀缺，这种方法提供了一种经济高效且高性能的解决方案，可广泛应用于各种数据科学研究领域。.
