Ett team av forskare vid University of California har utvecklat en ny typ av neurala nätverk - ett som använder ljus istället för elektricitet för att komma fram till resultat. I deras papper publicerad i tidskriften Vetenskap , gruppen beskriver sina idéer, deras fungerande enhet, dess prestanda, och de typer av applikationer som de tror skulle kunna tjänas väl av ett sådant nätverk.

Deep learning-nätverk är datorsystem som "lär sig" genom att titta på många exempel på datatyper och sedan använda mönster som utvecklas som ett sätt att göra tolkningar av ny data. Precis som alla andra datorer, de går på el. I denna nya ansträngning, forskarna har hittat ett sätt att skapa ett nätverk för djupinlärning som inte använder elektricitet alls – istället, den använder ljus. De kallar det ett diffraktivt djupt neuralt nätverk, eller mer kortfattat, D ² NN.

För att bygga ett sådant nätverk, forskarna skapade små plastplattor tryckta med en 3D-skrivare. Varje platta representerade ett lager av virtuella neuroner - och varje neuron kunde bete sig som sin biologiska motsvarighet genom att antingen sända eller reflektera inkommande ljus. I deras exempel, de använde fem tallrikar uppställda ansikte mot ansikte med ett litet mellanrum mellan dem. När systemet fungerade, ljus från en laser riktades mot den första plattan och tog sig igenom till den andra, tredje, fjärde och femte på ett sätt som avslöjade information om ett föremål som placerats framför enheten. En sensor på baksidan läste av ljuset och tolkade vad som hittades.

För att testa deras idé, forskarna valde att skapa ett fysiskt neuralt nätverk som kunde känna igen siffrorna noll till nio, och sedan rapportera vad den hittade. I praktiken, systemet visades ett nummer på en display och svarade genom att identifiera numret och sedan visa det med hjälp av sensorn. Systemet matades 55, 000 bilder av nummer som hade skannats. Denna inlärningsfas krävde användning av elektricitet eftersom den kördes på en dator som matade systemet med data. När de testade sitt system genom att visa det tusentals siffror, forskarna rapporterar att det var ungefär 95 procent korrekt. De noterar att deras enhet var ett proof of concept och kan visa sig användbar som ett sätt att utveckla dedikerade enheter för applikationer som kräver snabbhet – som att plocka ansikten ur en folkmassa i rörelse.

© 2018 Tech Xplore