De afgelopen jaren hebben kunstmatige intelligentietechnologieën, en vooral machine learning-algoritmen, grote vooruitgang geboekt. Deze technologieën hebben een ongekende efficiëntie mogelijk gemaakt bij taken als beeldherkenning, het genereren en verwerken van natuurlijke taal en objectdetectie, maar dergelijke uitstekende functionaliteit vereist aanzienlijke rekenkracht als basis.
De huidige computerbronnen naderen hun limiet, dus het effectief verlagen van de trainingskosten van machine learning-modellen en het verbeteren van de trainingsefficiëntie ervan is een belangrijke kwestie op onderzoeksgebied.
Om dit probleem aan te pakken zijn grote inspanningen geleverd in twee onderzoeksrichtingen:optische neurale netwerken en kwantumneurale netwerken. Optische neurale netwerken maken gebruik van geavanceerde optische manipulatiemethoden om machine learning-algoritmen uit te voeren in klassieke optische informatieverwerking. Ze hebben unieke voordelen, zoals een laag energieverbruik, lage overspraak en lage transmissielatentie. De huidige optische neurale netwerken vertonen echter geen algoritmische versnelling, zoals een snellere modelconvergentiesnelheid.
Kwantumneurale netwerken zijn neurale netwerkalgoritmen gebaseerd op de kwantumcomputertheorie. Recent onderzoek heeft aangetoond dat kwantumneurale netwerken algoritmische versnelling kunnen aantonen vanwege de kwantumcorrelaties. Vanwege technische beperkingen is het momenteel echter moeilijk om dergelijke neurale netwerkalgoritmen op grote schaal op hardware uit te voeren, waardoor het een uitdaging wordt om ze toe te passen in praktische problemen waarmee mensen momenteel worden geconfronteerd.
In een nieuw artikel gepubliceerd in Light:Science &Applications , een team van wetenschappers, onder leiding van professor Xiangdong Zhang, van het Key Laboratory of advanced opto-elektronische kwantumarchitectuur en metingen van het ministerie van Onderwijs; Beijing Key Laboratory of Nanophotonics &Ultrafine Optoelectronic Systems, School of Physics, Beijing Institute of Technology, China, en collega's hebben een nieuw type optisch neuraal netwerk ontwikkeld dat de versnelling kan vertonen die analoog is aan een kwantumneuraal netwerk.
Deze interessante eigenschap komt naar voren door de introductie van klassieke optische correlaties als informatiedrager. Door een dergelijk soort drager te gebruiken, kan men in feite de manier van informatieverwerking nabootsen die mogelijk wordt gemaakt door quantum computing, wat is bewezen door eerder werk van de onderzoekers.
Op basis van de eigenschap ontwikkelden de onderzoekers de convolutionele en pooling-operatie op de gecorreleerde optische toestand en richtten ze een gecorreleerd optisch convolutioneel neuraal netwerk op. Dit optische neurale netwerk heeft een één-op-één overeenkomst met het kwantum convolutionele neurale netwerk. Het toont de versnelling in het trainingsproces bij het leren van bepaalde datasets, en kan worden toegepast om het karakter van kwantumtoestanden onder een bepaald coderingsprincipe te identificeren.
De gerapporteerde methode en techniek zullen nieuwe wegen openen voor het realiseren van algoritmisch verbeterde optische neurale netwerken, wat de informatieverwerking in het tijdperk van big data ten goede zal komen.
De basisstructuur van een gecorreleerd optisch convolutioneel neuraal netwerk bestaat uit vier delen:de gecorreleerde lichtbron, de convolutie, de pooling en de detecties. De kernverwerking van de gecorreleerde optische toestand wordt gedaan door het convolutie- en het pooling-gedeelte. In tegenstelling tot klassieke convolutionele neurale netwerken manipuleren deze twee delen in het gecorreleerde convolutionele optische neurale netwerk de correlatie van optische toestanden en genereren ze de eenvoudiger gecorreleerde toestanden door de bundels samen te voegen.
"Deze twee delen voeren feitelijk de bewerkingen uit die analoog zijn aan de kwantumpoorten in de kwantum convolutionele neurale netwerken", aldus de wetenschappers. "Het convolutiegedeelte in ons netwerk bestaat uit unitaire bewerkingen op de gecorreleerde optische toestand.
"Het lijkt op de unitaire bewerkingen op de Hilbertruimte van qubits. Het poolinggedeelte dat we beschouwen is equivalent aan het meten van gedeeltelijke qubits voor het verkrijgen van een sub-Hilbertruimte. Zo'n onderdeel leidt tot een exponentiële afname van de dimensie van gegevens. Vandaar dat de functie van de twee delen draagt bij aan een snellere convergentie van de verliesfunctie bij het leren van bepaalde datasets.
"Bovendien certificeren we ook de gelijkenis van ons gecorreleerde optische convolutionele neurale netwerk met het kwantum convolutionele neurale netwerk door de identificatie van de topologische fase van kwantumtoestanden uit te voeren. De certificering wordt ondersteund door zowel theoretische als experimentele resultaten.
"De resultaten geven ook aan dat de eigenschappen van een kwantumneuraal netwerk op een meer betaalbare manier kunnen worden gerealiseerd", voegde ze eraan toe.
"Ondanks de potentiële voordelen van kwantumneurale netwerken vereist de implementatie ervan praktisch diepe kwantumcircuits met veel multi-qubit-poorten en ingewikkelde metingen. Dit vereist aanzienlijke middelen om de circuits te stabiliseren en fouten te corrigeren, wat technisch uitdagend is vanwege de onvermijdelijke omgevingsstoringen.
"Een potentieel beter alternatief is het vinden van een systeem dat wordt beschreven door dezelfde wiskunde als de kwantumtheorie en minder wordt onderbroken door de omgeving. De voorgestelde gecorreleerde optische neurale netwerken dienen als een voorbeeld van een dergelijk systeem, zoals blijkt uit het gemak van de elementarrangementen en de lage eisen aan de omstandigheden in onze experimenten.
"Gezien de exponentiële groei van data en de schaarste aan middelen voor hoogwaardige berekeningen, biedt onze aanpak een kosteneffectieve en krachtige oplossing die wijdverbreide toepassingen zou kunnen hebben in verschillende datawetenschappelijke onderzoeksgebieden."