Optisches neuronales Netzwerk

Ausgebildete mehrschichtige Phasenmaske (handgeschriebener Zeichenklassifikator). Auf der rechten Seite befindet sich ein physikalisches Modell eines optischen neuronalen D²NN-Netzwerks, das auf einem 3D-Drucker gedruckt wurde: Schichten 8 × 8 cm mit einem Abstand von 3 cm voneinander

Ein Forscherteam der University of California in Los Angeles hat eine neue Art von neuronalen Netzen entwickelt, bei denen Licht anstelle von Elektrizität zum Arbeiten verwendet wird. Die Zeitschrift Science veröffentlichte einen Artikel, in dem die Idee, das Arbeitsgerät, die Leistung und die Arten von Anwendungen beschrieben werden, die laut den Autoren gut für die Berechnung in einem neuen Typ eines neuronalen Netzwerks geeignet sind.

Das volloptische diffraktive tiefe neuronale Netzwerk (D²NN), das physikalisch aus einer Vielzahl von reflektierenden oder transparenten Oberflächen gebildet wird. Diese Oberflächen arbeiten zusammen und erfüllen eine beliebige Funktion, die durch Training erworben wurde. Während das Erhalten des Ergebnisses und die Vorhersage im physischen Netzwerk vollständig optisch organisiert sind, wird der Trainingsteil mit dem Entwurf der Struktur reflektierender Oberflächen auf einem Computer berechnet.

Im physikalischen Modell besteht D²NN also aus mehreren reflektierenden oder transparenten Schichten. Auf diesen Schichten sendet oder reflektiert jeder Punkt eine eingehende Welle. Somit ist dieser Punkt ein künstliches Neuron, das durch optische Beugung mit den Neuronen der nächsten Schichten verbunden ist. Die Struktur von D²NN ist in der Abbildung dargestellt.


Beugendes tiefes neuronales Netzwerk (D²NN).

In Abbildung A ein Diagramm mehrerer transparenter / reflektierender Schichten, wobei jeder Punkt ein Neuron mit einem komplexen Transparenz- oder Reflexionskoeffizienten ist. Diese Koeffizienten werden durch tiefes Lernen abgeleitet. Nach der Trainingsphase wird das D²NN-Design festgelegt - und die entsprechenden Platten werden auf dem 3D-Drucker gedruckt, der Berechnungen der als Ergebnis des vorläufigen Trainings erhaltenen Funktion durchführt. Im Gegensatz zu elektronischen Computernetzwerken werden hier die Berechnungen mit Lichtgeschwindigkeit durchgeführt .

Während der Experimente trainierten und testeten Wissenschaftler verschiedene Arten von D²NN. Abbildung B zeigt den handschriftlichen Zeichenklassifizierer und Abbildung C zeigt das Abbildungsobjektiv.

Der untere Teil der Abbildung vergleicht den Betrieb des diffraktiven optischen neuronalen Netzwerks (links) und des elektronischen neuronalen Netzwerks (rechts). Basierend auf kohärenten Wellen arbeitet D²NN mit komplexen Eingangswerten und multiplikativer Vorspannung. Die Gewichte in D²NN basieren auf der Freiraumbeugung und bestimmen die kohärente Interferenz der Sekundärwellen, bei denen es sich um die Phase und / oder Amplitude handelt, die von den vorherigen Schichten moduliert wurden. Das Symbol "ο" bedeutet die Operation des Produkts von Hadamard, dh die bitweise logische Multiplikation der entsprechenden Elemente zweier Sequenzen gleicher Länge.

Die Forscher erklären, dass die Struktur des optischen neuronalen Netzwerks nach dem Huygens-Prinzip organisiert ist , wonach jedes Element der Wellenfront als Zentrum der Sekundärstörung betrachtet werden kann, die sekundäre sphärische Wellen erzeugt, und das resultierende Lichtfeld an jedem Punkt im Raum durch die Interferenz dieser Wellen bestimmt wird. Somit ist das künstliche Neuron in D²NN über eine Sekundärwelle mit anderen Neuronen der nächsten Schicht verbunden, die in Amplitude und Phase sowohl durch das von den früheren Schichten erzeugte Eingangsinterferenzmuster als auch durch den lokalen Transmissions- / Reflexionskoeffizienten an diesem Punkt moduliert wird.

In Analogie zu tiefen neuronalen Standardnetzen können wir den Transmissions- / Reflexionskoeffizienten jedes Punktes / Neurons als den multiplikativen Term "Bias" betrachten, der während des Trainings des Beugungsnetzwerks unter Verwendung der Fehlermethode der Rückausbreitung iterativ korrigiert wird. Nach dem numerischen Training wird das D2NN-Design festgelegt und die Transmissions- / Reflexionskoeffizienten der Neuronen aller Schichten bestimmt. Anschließend können Sie die berechneten Ebenen mit einer beliebigen Methode erstellen: 3D-Druck, Lithografie usw.

Wissenschaftler betonen, dass das optische neuronale Netzwerk eine Funktion mit Lichtgeschwindigkeit erfüllt und keine Energie benötigt. Somit ist es eine effektive und schnelle Möglichkeit, maschinelle Lernaufgaben zu implementieren.

Um die Idee zu testen, haben die Forscher ein neuronales Netzwerk erstellt, das Zahlen von null bis neun erkennen und das Ergebnis melden kann. Nach dem Training mit 55.000 Bildern von Zahlen zeigte das gedruckte siebenschichtige neuronale Netzwerk eine Genauigkeit von 93,39%.



Bei der Erkennung modischer Kleidung und Schuhe zeigte ein fünfschichtiges neuronales Netzwerk eine Genauigkeit von 81,13%, ein zehnschichtiges neuronales Netzwerk - 86,60%.



Laut Forschern kann das neuronale Netzwerk vom optischen Typ in speziellen Geräten verwendet werden, die eine hohe Geschwindigkeit erfordern, beispielsweise zur Bestimmung einer bestimmten Person in einer Menge sich bewegender Personen.

Der wissenschaftliche Artikel wurde am 26. Juli 2018 in der Zeitschrift Science (doi: 10.1126 / science.aat8084, pdf ) veröffentlicht.