全光学神经网络可打造更强大更省电的人工智能 | 智能技术

发布日期:2019-09-29 10:00


人工智能神经网络可以解决面部和语音识别等棘手问题,但传统的电子版本在速度和动力方面都很有限。理论上,光学可以在神经网络中使用的矩阵计算中击败数字电子计算机。然而,光学因其无法进行一些需要电子设备的复杂计算而受到限制。现在新的实验表明,全光学神经网络可以解决这些问题。 

神经网络的关键吸引力在于处理器之间的大量互连,与大脑中神经元之间的复杂互连相当。这使得他们可以同时执行许多操作,就像人类大脑在观看面部或听取语音时所做的那样,使得它们比一次执行一条指令的传统电子计算机更有效地进行面部和语音识别。

今天的电子神经网络已经达到800万个神经元,但是它们未来在人工智能中的应用可能受到它们的高功率使用和连接中有限的并行性的限制。通过透镜的光学连接本质上是平行的。眼睛中的晶状体同时将来自您视野的光线聚焦到眼睛后部的视网膜上,在那里有一系列光检测神经细胞检测光线。然后,每个细胞将其接收的信号传递给大脑中的神经元,处理视觉信号以向我们显示图像。

玻璃透镜通过聚焦光来处理光学信号,其执行称为傅立叶变换的复杂数学运算,其保留原始场景中的信息但是完全重新排列。傅立叶变换的一种用途是将信号强度的时间变化转换成信号中存在的频率的曲线图。20世纪50年代,军方利用这一技巧将飞行中的飞机记录的原始雷达返回信号转换为飞机所观察的景观的三维图像。今天转换是通过电子方式完成的,但20世纪50年代的真空管计算机无法完成任务。

用于人工智能的神经网络的开发始于电子学,但是它们的AI应用受到其处理缓慢和对大量计算资源的需求的限制。一些研究人员开发了混合神经网络,其中光学执行简单的线性操作,但电子执行更复杂的非线性计算。现在,两个小组已经演示了简单的全光学神经网络,它们可以用光进行所有处理。

今年5月,德国明斯特大学物理研究所的Wolfram Pernice及其同事报告测试了一种全光学“神经元”,其中信号在液态和固态之间改变目标材料,这种效应已用于光学数据存储。他们展示了非线性处理,并产生了像有机神经元那样的输出脉冲。然后,他们制作了一个集成的光子电路,其中包含四个在不同波长下工作的光学神经元,每个光学神经元连接到15个光学突触。光子电路包含140多个元件,可以识别简单的光学图案。该小组写道,他们的设备是可扩展的而且该技术有望获得光学系统固有的高速和高带宽,从而实现光通信和视觉数据的直接处理。 

现在,香港科技大学的一个小组在Optica报道,他们已经基于不同的过程,电磁感应透明度制造了全光学神经网络,其中入射光影响原子在量子力学能级之间的转换方式。物理学教授,该论文的合着者盛旺杜说,这个过程是非线性的,可以通过非常微弱的光信号触发。

在他们的演示中,他们将激光冷却的铷-85原子照射到大约10微开尔文(绝对零度以上10微度)。虽然这项技术可能看起来异常复杂,但杜说该系统是实验室中最容易获得的系统,可以产生预期的效果。“作为纯粹的量子原子系统[它]是理想的原理验证实验。”他说。

接下来,他们计划使用热原子蒸汽中心来扩大演示,该中心更便宜,不需要耗时的冷原子制备,并且可以与光子芯片集成。杜说,主要的挑战是降低非线性处理介质的成本,并增加全光学神经网络的规模,以应对更复杂的任务。

“他们的演示似乎是有效的。” 华盛顿乔治华盛顿大学的电气工程师Volker Sorger说,他没有参与这两场演示。他说全光学方法很有吸引力,因为它提供了非常高的并行性,但由于测试中使用的液晶,更新速率限制在大约100赫兹,并且他并不完全相信他们的方法可以无错误地缩放。