如今,尽管计算机已经具有了十分强大的学习能力,但是在图像模式识别、风险管理等复杂任务上都还难以达到与人类持平的水准。
然而,最近光纤神经网络方面的新技术,或许可以显著拉近计算机与人脑的这一差距。
全光学人工神经网络:运算速度更快且耗电更少
研究人员近日表示,他们首创的多层全光学人工神经网络已经有了很大突破,作为这一类神经网络的最新成果,这是实现大规模光纤神经网络的关键进展。
通常,这种类型的神经网络可以解决传统计算方法无法解决的复杂问题,但与此同时,它也需要耗费大量运算时间和大量计算资源。因此,人们都希望能够开发出更加实用的光学人工神经网络,也就是比传统算法的人工神经网络运算更快且耗电更少。
在光学学会的研究期刊Optica中,来自香港科技大学的研究人员详细介绍了他们的双层全光学神经网络,以及他们是如何成功将其应用于复杂的分类任务。
“我们的全光学神经网络可以光速进行并行计算而消耗很少的能量,”研究团队成员刘军伟表示,“大规模的全光学神经网络可以用于从图像识别到科学研究的各种场景。”
全光学人工神经网络的运算准确性,与传统神经网络相当
在传统的混合型光学神经网络中,光学元素通常作为线性运算的部分存在,而那些非线性运算的部分,也就是那些仿真人脑神经元反应的部分,一般是通过电子方式实现的,因为非线性光纤通常需要高功率激光光,而这在光学神经网络中比较难实现。
为了克服这一困难,研究人员们使用具有电磁感应透明度的冷原子来完成神经网络中非线性运算的部分。“这种光诱导效应可以通过消耗功率很低的弱激光实现,”研究团队成员杜胜望说,“因为这种效应是基于非线性量子干涉,所以有可能将我们的系统扩展到量子神经网络中,这可以解决传统神经网络难以解决的问题。”
为了确认新方法的能力与可行性,研究人员构建了一个双层全连接全光学神经网络,它有16个输入值和2个输出值。研究人员使用他们的全光网络对伊辛模型(Ising Model)的顺序和无序阶段进行分类。结果表明,全光学神经网络与传统基于计算机的神经网络一样准确。
向大规模光学神经网络扩展,有望开发出光学版本的人工智能
研究人员计划将全光学的方法扩展到具有复杂架构的大规模全光学深度神经网络上。这些架构专为图像识别等特定目标而设计,而这样的扩展将有助于证明该方案在更大范围同样适用。
“尽管我们的工作是一个对原理的论证,但它说明未来有可能会开发出光学版本的人工智能。”杜胜望表示。
“与今天的基于计算机的人工智能相比,下一代人工智能会更快、功耗更低。”刘军伟补充道。