運算更快，耗電更少！香港科技大學首創多層全光學人工神經網絡

大數據文摘出品

編譯：Joey、Aileen

如今，儘管計算機已經具有了十分強大的學習能力，但是在圖像模式識別、風險管理等複雜任務上都還難以達到與人類持平的水準。

然而，最近光纖神經網絡方面的新技術或許可以顯著拉近計算機與人腦的這一差距。

藉助光學實現並行計算

研究人員近日表示，他們首創的多層全光學人工神經網絡已經有了很大突破，作為這一類神經網絡的最新成果，這是實現大規模光纖神經網絡的關鍵進展。

通常，這種類型的神經網絡可以解決傳統計算方法無法解決的複雜問題，但是與此同時它也需要耗費大量運算時間和大量計算資源。因此，人們都希望能夠開發出更加實用的光學人工神經網絡，也就是比基於傳統算法的人工神經網絡運算更快且耗電更少。

在光學學會的研究期刊Optica中，來自香港科技大學的研究人員詳細介紹了他們的雙層全光學神經網絡，以及他們是如何成功將其應用於複雜的分類任務。

「我們的全光學神經網絡可以以光速進行並行計算而消耗很少的能量，」研究團隊成員劉軍偉表示，「大規模的全光學神經網絡可以用於從圖像識別到科學研究的各種場景。」

雙層全連接全光學神經網絡的構建

在傳統的混合型光學神經網絡中，光學元素通常作為線性運算的部分存在，而那些非線性運算的部分，即通常是那些模擬人腦神經元反應的部分一般是通過電子方式實現的，因為非線性光纖通常需要高功率激光，而這在光學神經網絡中比較難實現。

為了克服這一困難，研究人員們使用具有電磁感應透明度的冷原子來完成神經網絡中非線性運算的部分。「這種光誘導效應可以通過消耗功率很低的弱激光實現，」研究團隊成員杜勝望說，「因為這種效應是基於非線性量子干涉，所以有可能將我們的系統擴展到量子神經網絡中，這可以解決經典神經網絡難以解決的問題。」

為了確認新方法的能力與可行性，研究人員構建了一個雙層全連接全光學神經網絡，它有16個輸入值和2個輸出值。研究人員使用他們的全光網絡對伊辛模型（Ising Model）的順序和無序階段進行分類。結果表明，全光學神經網絡與傳統基於計算機的神經網絡一樣準確。

(a)典型雙層神經網絡原理圖；(b)包含線性與非線性運算功能的光學神經元的原理圖。

向大規模光學神經網絡擴展

研究人員計劃將全光學的方法擴展到具有複雜架構的大規模全光學深度神經網絡上。這些架構專為圖像識別等特定目標而設計，而這樣的擴展將有助於證明該方案在更大範圍同樣適用。

「儘管我們的工作是一個對原理的論證，但它說明未來有可能會開發出光學版本的人工智能。」杜勝望表示。

「與今天的基於計算機的人工智能相比，下一代人工智能會更快、功耗更低。」劉軍偉補充道。

相關報道：

https://www.sciencedaily.com/releases/2019/08/190829101101.htm