更接近完全光學人工神經網絡

研究人員已經證明，可以直接在光學芯片上訓練人工神經網絡。重大突破表明光學電路可以執行基于電子的人工神經網絡的關鍵功能，并且可以導致執行諸如語音或圖像識別之類的復雜任務的更便宜，更快速和更節能的方式。

“使用光學芯片比數字計算機更有效地執行神經網絡計算可以解決更復雜的問題，”斯坦福大學的研究小組負責人Shanhui Fan表示。“例如，這將提高人工神經網絡執行自動駕駛汽車所需任務的能力，或者對口頭問題做出適當的反應。它還可以用我們現在無法想象的方式改善我們的生活。”

人工神經網絡是一種人工智能，它使用連接單元以類似于大腦處理信息的方式處理信息。使用這些網絡執行復雜的任務，例如語音識別，需要訓練算法的關鍵步驟來對輸入進行分類，例如不同的單詞。

盡管最近通過實驗證明了光學人工神經網絡，但是在傳統的數字計算機上使用模型進行訓練步驟，然后將最終設置導入光學電路。在Optica，光學學會的高影響力研究期刊中，斯坦福大學的研究人員報告了一種通過實現“反向傳播”算法的光學模擬直接在設備中訓練這些網絡的方法，這是訓練傳統神經網絡的標準方法。

“使用物理設備而不是計算機模型進行訓練可以使過程更加準確，”該論文的第一作者Tyler W. Hughes說。“另外，由于訓練步驟是神經網絡實現中計算成本非常高的一部分，因此光學執行此步驟對于提高人工網絡的計算效率，速度和功耗至關重要。”

基于光的網絡

盡管通常使用傳統計算機執行神經網絡處理，但是設計專門針對神經網絡計算優化的硬件仍有很大的努力。基于光學的設備非常令人感興趣，因為它們可以并行執行計算，同時使用比電子設備更少的能量。

在這項新工作中，研究人員通過設計一種復制傳統計算機訓練神經網絡方式的光學芯片，克服了實施全光學神經網絡的重大挑戰。

人工神經網絡可以被認為是具有多個旋鈕的黑盒子。在訓練步驟期間，這些旋鈕各自轉動一點，然后測試系統以查看算法的性能是否得到改善。

“我們的方法不僅可以幫助預測轉動方向的方向，還可以預測每個旋鈕的旋轉程度，使您更接近所需的性能，”休斯說。“我們的方法顯著加快了訓練速度，特別是對于大型網絡，因為我們可以并行獲取有關每個旋鈕的信息。”

片上培訓

新的訓練協議在具有可調諧分束器的光學電路上運行，可通過改變光學移相器的設置來調整。編碼待處理信息的激光束被發射到光學電路中并由光波導通過分束器承載，分束器被調節為類似旋鈕以訓練神經網絡算法。

在新的訓練協議中，首先通過光學電路饋送激光器。退出設備后，計算與預期結果的差異。然后該信息用于產生新的光信號，該信號通過光網絡以相反的方向發回。通過在此過程中測量每個分束器周圍的光強度，研究人員展示了如何并行檢測神經網絡性能相對于每個分束器設置的變化。可以基于該信息改變移相器設置，并且可以重復該過程直到神經網絡產生期望的結果。

研究人員通過教授算法來測試他們的訓練技術和光學模擬，以執行復雜的功能，例如在一組點內挑選出復雜的特征。他們發現光學實現與傳統計算機類似地執行。

“我們的工作表明你可以使用物理定律來實現計算機科學算法，”范說。“通過在光學領域訓練這些網絡，它表明光學神經網絡系統可以構建為僅使用光學器件來執行某些功能。”

研究人員計劃進一步優化系統，并希望用它來實現神經網絡任務的實際應用。他們設計的一般方法可以與各種神經網絡架構一起使用，也可以用于其他應用，例如可重構光學器件。