研究人员演示了用于深度学习的全光神经网络

图片来源：Olivia Wang，鹏城实验室。

研究人员展示了第一个具有非线性激活功能的两层全光人工神经网络。这些类型的函数是执行复杂任务（如模式识别）所必需的。

即使是最强大的计算机，在模式识别、风险管理和其他类似的复杂任务方面，仍然无法与人脑相匹配。然而，最近在光神经网络方面的进展正在通过模拟人脑中神经元的反应来填补这一空白。

在实现大规模光神经网络实用化的关键一步中，研究人员已经展示了第一种多层全光人工神经网络。通常，这种类型的人工智能可以解决传统计算方法无法解决的复杂问题，但当前的设计需要大量的计算资源，这些资源既耗时又耗能量。因此，开发出比传统计算机更快、功耗更低的实用光学人工神经网络具有很大的兴趣。

在光学协会的高影响力研究杂志——Optica杂志上，来自中国香港科学技术大学的研究人员，中国香港详细介绍了他们的两层全光神经网络，并成功地应用到一个复杂的分类任务。

研究小组成员Junwei Liu说：“我们的全光方案可以使神经网络以光速进行光学并行计算，同时消耗很少的能量。大规模的全光神经网络可用于从图像识别到科学研究的各种应用。”

建立全光网络

在传统的混合光神经网络中，光学元件通常用于线性操作，而非线性激活功能则是模拟人脑中神经元反应方式的功能，因为非线性光学通常需要在光神经网络中很难实现的高功率激光器。

为了克服这一挑战，研究人员使用具有电磁感应透明性的冷原子来执行非线性函数。”研究小组成员Shengwang Du说：“这种光诱导效应可以用非常弱的激光功率实现。因为这种效应是基于非线性量子干涉，所以有可能将我们的系统扩展到量子神经网络中，从而解决经典方法难以解决的问题。”

为了验证这种新方法的能力和可行性，研究人员构建了一个具有16个输入端和2个输出端的两层全连接全光神经网络。研究人员利用他们的全光网络对磁化统计模型伊辛模型的有序和无序相进行了分类。结果表明，该全光神经网络与受过良好训练的计算机神经网络一样准确。

大尺度光神经网络

研究人员计划将全光方法扩展到具有复杂结构的大规模全光深神经网络中，该网络专为特定的实际应用（如图像识别）而设计。这将有助于证明该方案在更大范围内有效。

Du说：“虽然我们的工作是一个原则性的证明，但它表明，未来发展人工智能的光学版本可能成为可能。下一代人工智能硬件本质上要快得多，与当今基于计算机的人工智能相比，功耗更低，”

来源：https://phys.org/news/2019-08-all-optical-neural-network-deep.html