Under de senaste åren har artificiell intelligens, särskilt algoritmer för maskininlärning, gjort stora framsteg. Dessa teknologier har möjliggjort oöverträffad effektivitet i uppgifter som bildigenkänning, naturligt språkgenerering och bearbetning och objektdetektering, men en sådan enastående funktionalitet kräver betydande beräkningskraft som grund.
Nuvarande beräkningsresurser närmar sig sin gräns, så att effektivt minska utbildningskostnaderna för modeller för maskininlärning och förbättra deras utbildningseffektivitet är en viktig fråga inom forskningsområdet.
För att komma till rätta med frågan har stora ansträngningar gjorts i två forskningsriktningar:optiska neurala nätverk och kvantneurala nätverk. Optiska neurala nätverk använder avancerade optiska manipulationsmetoder för att exekvera maskininlärningsalgoritmer i klassisk optisk informationsbehandling. De har unika fördelar som låg energiförbrukning, låg överhörning och låg överföringsfördröjning. Men de nuvarande optiska neurala nätverken uppvisar inte algoritmisk acceleration, såsom snabbare modellkonvergenshastighet.
Kvantneurala nätverk är neurala nätverksalgoritmer baserade på kvantberäkningsteori. Ny forskning har visat att kvantneurala nätverk kan demonstrera algoritmisk acceleration på grund av kvantkorrelationerna. Men på grund av tekniska begränsningar är det för närvarande svårt att exekvera sådana neurala nätverksalgoritmer på hårdvara i stor skala, vilket gör det utmanande för deras tillämpning i praktiska problem som människor möter för närvarande.
I en ny artikel publicerad i Light:Science &Applications , ett team av forskare, ledda av professor Xiangdong Zhang, från Key Laboratory för avancerad optoelektronisk kvantarkitektur och mätningar från utbildningsministeriet; Beijing Key Laboratory of Nanophotonics &Ultrafine Optoelectronic Systems, School of Physics, Beijing Institute of Technology, Kina, och medarbetare har utvecklat en ny typ av optiskt neuralt nätverk som kan uppvisa snabbheten analogt med ett kvantneuralt nätverk.
Denna intressanta egenskap uppstår på grund av introduktionen av klassiska optiska korrelationer som bärare av information. Genom att använda en sådan typ av bärare kan man faktiskt efterlikna sättet för informationsbehandling som möjliggörs av kvantberäkningar, vilket har bevisats av tidigare arbete från forskarna.
Baserat på egenskapen utvecklade forskarna faltnings- och poolningsoperationen på det korrelerade optiska tillståndet och etablerade ett korrelerat optiskt faltningsneuralt nätverk. Detta optiska neurala nätverk har en en-till-en-överensstämmelse med det kvantkonvolutionella neurala nätverket. Den visar snabbare träningsprocess för att lära sig vissa datamängder och kan användas för att identifiera karaktären av kvanttillstånd under en speciell kodningsprincip.
Den rapporterade metoden och tekniken kommer att öppna nya vägar för att realisera algoritmiskt förbättrade optiska neurala nätverk, vilket kommer att gynna informationsbehandling i big datas era.
Den grundläggande strukturen för ett korrelerat optiskt faltningsneuralt nätverk inkluderar fyra delar:den korrelerade ljuskällan, faltningen, poolningen och detekteringarna. Kärnbearbetningen av det korrelerade optiska tillståndet görs av faltnings- och pooldelen. Till skillnad från klassiska faltningsneurala nätverk, manipulerar dessa två delar i det korrelerade faltningsoptiska neurala nätverket korrelationen av optiska tillstånd och genererar de enklare korrelerade tillstånden genom att slå samman strålarna.
"Dessa två delar utför faktiskt operationerna analogt med kvantportarna i kvantkonvolutionella neurala nätverk", sa forskarna. "Konvolutionsdelen i vårt nätverk består av enhetliga operationer på det korrelerade optiska tillståndet.
"Det är som de enhetliga operationerna på Hilbert-utrymmet av qubits. Den poolande delen vi anser är likvärdig med att mäta partiella qubits för att erhålla ett sub-Hilbert-utrymme. En sådan del leder till en exponentiell minskning av dimensionen av data. Därför funktion av de två delarna bidrar till en snabbare konvergens av förlustfunktionen när man lär sig vissa datamängder.
"Dessutom intygar vi också likheten mellan vårt korrelerade optiska faltningsneurala nätverk med det kvantfaltningsneurala nätverket genom att utföra identifieringen av den topologiska fasen av kvanttillstånd. Certifieringen stöds av både teoretiska och experimentella resultat.
"Resultaten indikerar också att egenskaperna hos kvantneurala nätverk kan realiseras på ett mer överkomligt sätt", tillade de.
"Trots de potentiella fördelarna med kvantneurala nätverk kräver implementeringen av dem praktiskt taget djupa kvantkretsar med många multi-qubit-grindar och komplicerade mätningar. Detta kräver betydande resurser för att stabilisera kretsarna och korrigera fel, vilket är tekniskt utmanande på grund av de oundvikliga miljöstörningarna.
"Ett potentiellt bättre alternativ är att hitta ett system som beskrivs med samma matematik som kvantteori och mindre avbrutet av miljön. De föreslagna korrelerade optiska neurala nätverken fungerar som ett exempel på ett sådant system, vilket framgår av den enkla elementarrangemanget och låga krav på omständigheterna i våra experiment.
"Med tanke på den exponentiella tillväxten av data och bristen på resurser för högkvalitativa beräkningar, presenterar vårt tillvägagångssätt en kostnadseffektiv och högpresterande lösning som kan ha omfattande tillämpningar inom olika datavetenskapliga forskningsområden."
Mer information: Yifan Sun et al., Korrelerat optiskt konvolutionellt neuralt nätverk med "quantum speedup", Light:Science &Applications (2024). DOI:10.1038/s41377-024-01376-7
Journalinformation: Ljus:Vetenskap och tillämpningar
Tillhandahålls av TranSpread
