直接在光子計算設備上訓練神經網路！光電路AI又近了一步

研究證明，人工神經網路的訓練可以直接在光子晶元上進行。這一重大突破表明：光學電路可以執行人工神經網路的關鍵功能，我們或許可以因此找到出價格更低，速度更快，更節能的方法，來完成語音或圖像識別等複雜任務。

斯坦福大學的研究小組負責人范汕洄表示：「光子晶元比數字計算機能更高效地執行神經網路計算，意味著我們可以解決更複雜的問題。例如，這將提高人工神經網路執行自動駕駛汽車任務的能力，或者對語音問題做出合適的回應等。」

神經網路是人工智慧的一種，它用互相連接的單元來處理信息，這種方式類似於大腦。使用神經網路來執行複雜任務時，需要訓練演算法中的關鍵步驟來對輸入進行分類，例如語音識別時，需要對不同的單詞進行分類。

儘管最近有實驗證明光學人工神經網路的例子，但它們的訓練步驟仍然在傳統的數字計算機上進行，只是最終將訓練所得的設置導入光子計算電路。在光學學會的高影響力研究期刊《Optica》上，斯坦福大學的研究人員發表的文章描述了一種直接在光學設備中訓練神經網路的方法，這種方法使用了「反向傳播」演算法的光學版本。反向傳播演算法是訓練傳統神經網路的標準方法，只是過去都只在傳統計算機上進行訓練。

圖丨上圖中藍色的方塊代表的是一塊光電路，研究顯示這樣的光電路可以用來訓練神經網路。當然，完整的網路需要多塊這樣的光電路。圖中綠色的激光信號將信息輸入光電路，穿過黑色的光波導路（optical waveguides）。光波導路中彎曲的部分是可調節的分束器，神經網路的重要操作在此完成。通過改變圖中紅色和藍色光學移相器的設置可以調節分束器，以完成對神經網路的訓練。（圖片來源: Tyler W. Hughes, 斯坦福大學）

該論文的第一作者 Tyler W. Hughes 說：「使用物理設備而非計算機進行訓練可以使過程更加準確，神經網路應用中，訓練步驟本身的計算量是非常大的，因此在光子計算設備進行訓練對於提高人工神經網路的效率、速度和節能表現來說都至關重要。」

光學神經網路

通常神經網路都在傳統計算機上執行，但是人們仍然致力於設計專門針對神經網路計算的硬體，其中基於光學的設備可以執行並行計算而且比電子設備省電，因此吸引了很多研究。

在這項新研究中，研究人員設計的光子晶元複製了傳統計算機訓練神經網路的方式，使得神經網路可以完全在光子計算設備上進行。

人工神經網路就像是有多個調節旋鈕的黑盒子，在訓練期間，這些旋鈕以極小的幅度被旋動，然後系統被檢測，查看演算法的性能是否得到改善。

Hughes 說：「我們的方法不僅可以預測該朝那個方向轉動旋鈕，還可以預測每個旋鈕的旋轉程度，以接近所需的性能。這種方法顯著加快了訓練速度，特別是對於大型網路，因為我們可以並行獲取每個旋鈕的信息。」

在晶元上訓練

新的訓練協議在具有可調分束器的光子計算電路上運行，這些分束器可通過改變光學移相器的設置來調整。攜帶著信息的激光束被發射到光學電路中，並通過分束器。

新的訓練協議中，激光首先被輸入到光電路中，當激光從光電路的另一端射出時，系統會計算實際射出值與預期結果的差異，然後該信息被用於產生新的光信號反向傳回光電路。在此過程中，通過測量每個分束器周圍的光強度，研究人員展示了隨著每個分束器設置的改變，神經網路性能將會如何改變。移相器的設置可以根據此信息進行改變，該過程可以不斷重複直到神經網路產生期望的結果。

研究人員通過訓練演算法執行複雜的功能來測試光學神經網路的效果，例如在一組點內挑選出複雜的特徵。他們發現光學神經網路的表現與傳統計算機類似。

范汕洄說：「我們的研究表明物理定律也可以用來實現計算機科學演算法。通過在光學領域訓練神經網路，我們可以得知神經網路系統可以只使用光學器件來執行特定功能。」

研究人員計划進一步優化系統，並希望用它來實現神經網路的實際應用。他們設計的方法可以與各種神經網路架構一起使用，也可用於如「可重構光學器件」等應用。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！