神經網路演算法可採用新型光子技術快速實現

基於人工神經網路演算法的計算機深度學習系統已成為目前計算機領域研究的前沿熱點，它的原理是使人工神經網路演算法模仿人腦從實踐中學習的方式進行學習。它除了可以用來實現面部和聲音識別以外，還可通過搜尋大量的醫學數據來進行醫學診斷，或者通過搜尋化學方程式來尋找潛在的新葯合成方式。

但是這類的系統的計算非常複雜，對機器要求很高，即使對於現有性能最強的計算機也不是件容易的事。

然而，來自於MIT的研究團隊和他們的合作者，提出一種新的方法，用光子代替電子，來進行計算。他們表示這種方法將會大大提高計算速度和效率。他們的實驗結果今天發表在著名期刊《自然.光子學》（Nature Photonics ）上，論文作者包括MIT博士後沈亦晨，研究生Nicholas Harris, Marin Solja?i?和Dirk Englund教授以及另外8個合作研究者。

圖丨可編程納米光子處理器概念圖

事實上，很多研究者長期以來都在推廣基於光子的計算機。但Solja?i?表示，「他們太過於樂觀，結果往往事與願違」。儘管很多基於光子計算機的應用都是不切實際的，但基於光子的神經網路系統「可能對於某些應用的深度學習演算法是可行的」，他說道。

Solja?i?的言論並非毫無道理。眾所周知，在人工智慧演算法中，包含有多次矩陣相乘的運算，基於傳統計算機架構的CPU和GPU在處理這些運算的時候非常吃力，計算效率較低。針對這一問題，Solja?i?和他的研究團隊經過多年的研究提出了這種基於光學的計算方法。「這種光學晶元的優點在於一但被設置好，那麼它開展矩陣乘法運算所消耗的能量，理論上說可以為0。」 Solja?i?說，「雖然目前我們還沒研製出整個系統，但已經實現了核心部件的驗證」

圖丨Marin Solja?i?

Solja?i?打比方說，即使是一個最普通的眼鏡鏡片也會對穿過它的光波有一個複雜的運算：傅立葉變換。新的光子晶元所執行的運算雖然比傅立葉變換簡單的多，但基本原理類似。這種晶元使用多光束干涉技術，其干涉條紋信息反映了所需計算的結果。研究者稱這種晶元為可編程納米光子處理器。

沈亦晨表示，實驗結果顯示這種光子晶元架構理論上可以以更快的速度、更小的功耗來運行人工智慧演算法：進行相同的一次運算所需的能量損耗甚至低於傳統晶元的千分之一。「利用光子來做矩陣乘法運算的內秉屬性是功耗降低和速度提升的主要原因，因為密集的矩陣乘法運算是人工智慧演算法中最耗時間和功率的。」

圖丨沈亦晨

這種納米光子處理器由Englund實驗室的Harris等人研發。它基於一系列相互連接的光波導對光子進行導引，這些光波導的連接可根據需要進行設定和編程，以實現特定的運算目的。「你可以編程實現任一矩陣操作」 Harris說。團隊的終極計劃是利用多層交錯的裝置實現非線性激活函數操作，就像大腦中神經元的作用一樣。

為了驗證這一概念，團隊利用這個可編程納米光子處理器去實現辨識四個基本母音的神經網路演算法。結果發現，儘管僅僅使用了一個初級的系統，他們也獲得了77%的準確率，而傳統系統的準確率為90％。Solja?i?表示，擴展系統以獲得更高的準確度「不存在障礙」。

Englund補充道，這個可編程納米光字處理器也可有其他方面的用途，如數據傳輸過程中的信號處理。「高速模擬信號處理是此類處理器可以完成的」，而且要快於那些基於模擬——數字轉換的方法，因為光本身就是一種模擬的介質。「這種方法可以直接在模擬域進行運算」他說到。

與此同時，團隊也表示還需要大量的時間和努力來使得這個系統可以實際應用。而且，一旦這種系統擴展成功並且完全的發揮其作用，它可以有非常多的應用，比如數據中心或安全系統。這個系統還可以用於無人駕駛汽車或無人機，Harris表示，「在任何你需要進行大量運算但卻受到時間和功率限制的情況下，它都可以派上用場。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！