幾乎零能耗零延遲！UCLA科學家發明光衍射神經網路，登上Science

夏乙 發自 凹非寺

量子位 報道 | 公眾號 QbitAI

深度學習，現在已經成立幾乎每一個圖像識別、語音識別、機器翻譯系統的標配組件，而它的缺點也一直在被各界人士吐槽：

不夠快，太耗能，不可解釋……

加州大學洛杉磯分校（UCLA）的一組科學家們，就要從另一個角度，來解決不夠快和能耗高的問題。

UCLA電子工程系教授Aydogan Ozcan帶著自己的團隊，把神經網路從晶元上搬到了現實世界中，依靠光的傳播，實現幾乎零能耗、零延遲的深度學習。

這個解決方案叫做D2NN：衍射深度神經網路（Diffractive Deep Neural Network）。它是光學工具、3D列印和神經網路的結合。

他們的成果，登上了Science。

這個系統有著傳統神經網路無法匹敵的優點：一是更快，在D2NN里，信息傳遞的速度，等於光速；二是能耗接近於0：除了最開始要提供一個光源之外，就不再需要耗電了。

D2NN由多個衍射層構成，一層上的每一個點都相當於神經網路的一個神經元。它的訓練方式和深度學習一樣，只不過得到的不是神經元的權重，而是神經元的透光/反射係數。

訓練完成，得到D2NN的最終設計，就到了製造階段。這些衍射層會被3D列印出來，在它學會的任務上做推斷。

在推斷過程中，在這個神經網路中傳遞的並不是人類可見的光，而是0.4太赫茲頻率的單色光。Ozcan將D2NN比作用光來連接神經元、傳遞信息的實體大腦。

Ozcan團隊在這項研究中，製造了不同類型的D2NN，有用來給圖像分類的（上圖B），有用來成像的（上圖C）。

一個D2NN設計出來、列印完成後，還可以繼續優化。

比如說，科學家們針對MNIST手寫數字識別任務，訓練了一個5層的D2NN，每一層的尺寸是8cm×8cm，達到了91.75%的準確率。

然後，他們又為這個D2NN加了兩層，來優化性能。於是，這個7層網路在MNIST上的分類準確率達到了93.39%。

在比MNIST稍微複雜一些的基準數據集Fashion-MNIST上，5層的D2NN最高實現了86.33%的準確率。

當然，D2NN現在還只能算是個嬰兒，和卷積神經網路現在動輒99%的準確率沒法比。

接下來，Ozcan團隊還打算製造尺寸更大、層數更多的D2NN。

說不定有一天，這種新型的神經網路強大起來，我們會對不需耗電就能識別人臉的攝像頭習以為常。

論文在此：

//innovate.ee.ucla.edu/wp-content/uploads/2018/07/2018-optical-ml-neural-network.pdf

—完—

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！