В последние годы технологии искусственного интеллекта, особенно алгоритмы машинного обучения, добились больших успехов. Эти технологии обеспечили беспрецедентную эффективность в таких задачах, как распознавание изображений, генерация и обработка естественного языка, а также обнаружение объектов, но такая выдающаяся функциональность требует в качестве основы значительных вычислительных мощностей.
Текущие вычислительные ресурсы приближаются к своему пределу, поэтому эффективное снижение затрат на обучение моделей машинного обучения и повышение эффективности их обучения является важной проблемой в области исследований.
Для решения этой проблемы большие усилия были приложены в двух направлениях исследований: оптических нейронных сетях и квантовых нейронных сетях.
Оптические нейронные сети используют передовые методы оптических манипуляций для выполнения алгоритмов машинного обучения при классической оптической обработке информации.
Они обладают уникальными преимуществами, такими как низкое энергопотребление, низкие перекрестные помехи и низкая задержка передачи. Однако современные оптические нейронные сети не обладают алгоритмическим ускорением, например более высокой скоростью сходимости моделей.
Квантовые нейронные сети — это алгоритмы нейронных сетей, основанные на теории квантовых вычислений.
Недавние исследования показали, что квантовые нейронные сети могут демонстрировать алгоритмическое ускорение благодаря квантовым корреляциям. Однако из-за технических ограничений в настоящее время сложно реализовать такие алгоритмы нейронных сетей на аппаратном обеспечении в больших масштабах, что затрудняет их применение в практических задачах, с которыми люди сталкиваются в настоящее время.
В новой статье, опубликованной в журнале Light: Science & Applications, группа ученых под руководством профессора Сяндуна Чжана из Ключевой лаборатории передовой оптоэлектронной квантовой архитектуры и измерений Министерства образования; Пекинская ключевая лаборатория нанофотоники и сверхтонких оптоэлектронных систем, Школа физики, Пекинский технологический институт, Китай, и ее коллеги разработали новый тип оптической нейронной сети, которая может демонстрировать ускорение, аналогичное квантовой нейронной сети.
Это интересное свойство возникает благодаря введению классических оптических корреляций в качестве носителя информации.
Фактически, используя такой носитель, можно имитировать способ обработки информации, обеспечиваемый квантовыми вычислениями, что было доказано более ранними работами исследователей.
Основываясь на этом свойстве, исследователи разработали операцию свертки и объединения коррелированного оптического состояния и создали коррелированную оптическую сверточную нейронную сеть.
Эта оптическая нейронная сеть имеет взаимно однозначное соответствие с квантовой сверточной нейронной сетью.
Он показывает ускорение процесса обучения при изучении определенных наборов данных и может применяться для определения характера квантовых состояний в соответствии с определенным принципом кодирования.
Сообщаемые метод и техника откроют новые возможности для реализации алгоритмически усовершенствованных оптических нейронных сетей, которые принесут пользу обработке информации в эпоху больших данных.
Базовая структура коррелированной оптической сверточной нейронной сети включает четыре части: коррелированный источник света, свертку, объединение и обнаружение.
Основная обработка коррелированного оптического состояния выполняется посредством свертки и объединения.
В отличие от классических сверточных нейронных сетей, эти две части коррелированной сверточной оптической нейронной сети манипулируют корреляцией оптических состояний и генерируют более простые коррелированные состояния путем объединения лучей.
«Эти две части фактически выполняют операции, аналогичные квантовым воротам в квантовых сверточных нейронных сетях», — сказали ученые. «Часть свертки в нашей сети состоит из унитарных операций над коррелированным оптическим состоянием.
«Это похоже на унитарные операции над гильбертовым пространством кубитов. Рассматриваемая нами часть объединения эквивалентна измерению частичных кубитов для получения субгильбертова пространства.
Такая часть приводит к экспоненциальному уменьшению размерности данных. Следовательно, Функция двух частей способствует более быстрой сходимости функции потерь при обучении определенных наборов данных.
«Кроме того, мы также подтверждаем сходство нашей коррелированной оптической сверточной нейронной сети с квантовой сверточной нейронной сетью, выполняя идентификацию топологической фазы квантовых состояний.
Сертификация подтверждается как теоретическими, так и экспериментальными результатами. «Результаты также показывают, что свойства квантовой нейронной сети можно реализовать более доступным способом», — добавили они.
«Несмотря на потенциальные преимущества квантовых нейронных сетей, их реализация на практике требует глубоких квантовых схем со множеством многокубитных вентилей и сложных измерений. Это требует значительных ресурсов для стабилизации схем и исправления ошибок, что технически сложно из-за неизбежных нарушений окружающей среды.
«Потенциально лучшая альтернатива — найти систему, описываемую той же математикой, что и квантовая теория, и меньше прерываемую окружающей средой.
Предложенные коррелированные оптические нейронные сети служат примером такой системы, о чем свидетельствует простота расположения элементов и низкие требования к обстоятельствам наших экспериментов.
«Учитывая экспоненциальный рост данных и нехватку ресурсов для высококачественных вычислений, наш подход представляет собой экономически эффективное и высокопроизводительное решение, которое может найти широкое применение в различных областях исследований в области науки о данных».
Рубрика: Технологии. Читать весь текст на android-robot.com.