Rede neural óptica

Máscara de fase multicamada treinada (classificador de caracteres manuscritos). À direita, está um modelo físico de uma rede neural óptica D²NN impressa em uma impressora 3D: camadas 8 × 8 cm com uma distância de 3 cm entre si

Uma equipe de pesquisadores da Universidade da Califórnia em Los Angeles desenvolveu um novo tipo de rede neural que usa luz em vez de eletricidade para funcionar. A revista Science publicou um artigo descrevendo uma idéia, um dispositivo funcional, seu desempenho e tipos de aplicativos, que, segundo os autores, são bons para a computação em um novo tipo de rede neural.

A Rede Neural Profunda Difrativa Profunda (D²NN), totalmente óptica, formada fisicamente a partir de uma variedade de superfícies refletivas ou transparentes. Essas superfícies trabalham juntas, desempenhando uma função arbitrária, adquirida como resultado do treinamento. Enquanto a obtenção do resultado e a previsão na rede física são organizadas de forma totalmente óptica, a parte do treinamento com o design da estrutura das superfícies refletivas é calculada em um computador.

Portanto, no modelo físico, D²NN consiste em várias camadas reflexivas ou transparentes. Nessas camadas, cada ponto transmite ou reflete uma onda de entrada. Assim, este ponto é um neurônio artificial que está conectado aos neurônios das próximas camadas por difração óptica. A estrutura de D²NN é mostrada na ilustração.


Rede Neural Profunda Difrativa (D²NN).

Na ilustração A, um diagrama de várias camadas transparentes / reflexivas, em que cada ponto é um neurônio com um coeficiente complexo de transparência ou reflexão. Esses coeficientes são derivados da aprendizagem profunda. Após a fase de treinamento, o design do D²NN é fixo - e as placas correspondentes são impressas na impressora 3D, que calcula a função obtida como resultado do treinamento preliminar. Ao contrário das redes eletrônicas de computadores, aqui os cálculos são realizados à velocidade da luz .

Durante os experimentos, os cientistas treinaram e testaram experimentalmente vários tipos de D²NN. A Figura B mostra o classificador de caracteres manuscritos e a Figura C mostra as lentes de imagem.

A parte inferior da ilustração compara a operação da rede neural óptica difrativa (esquerda) e da rede neural eletrônica (direita). Baseado em ondas coerentes, o D²NN opera com valores de entrada complexos e viés multiplicativo. Os pesos em D²NN são baseados na difração de espaço livre e determinam a interferência coerente das ondas secundárias, que são a fase e / ou a amplitude modulada pelas camadas anteriores. O símbolo "o" significa a operação do produto de Hadamard, isto é, multiplicação lógica bit a bit dos membros correspondentes de duas sequências de igual comprimento.

Os pesquisadores explicam que a estrutura da rede neural óptica é organizada de acordo com o princípio de Huygens , segundo o qual cada elemento da frente de onda pode ser considerado como o centro da perturbação secundária que gera ondas esféricas secundárias, e o campo de luz resultante em cada ponto do espaço será determinado pela interferência dessas ondas. Assim, o neurônio artificial em D²NN é conectado a outros neurônios da próxima camada através de uma onda secundária, que é modulada em amplitude e fase pelo padrão de interferência de entrada criado pelas camadas anteriores e pelo coeficiente local de transmissão / reflexão neste momento.

Por analogia com as redes neurais profundas padrão, podemos considerar o coeficiente de transmissão / reflexão de cada ponto / neurônio como o termo multiplicativo “viés”, que é corrigido iterativamente durante o treinamento da rede de difração usando o método de erro de propagação traseira. Após o treinamento numérico, o design do D2NN é fixo e os coeficientes de transmissão / reflexão dos neurônios de todas as camadas são determinados. Em seguida, você pode fazer as camadas calculadas por qualquer método: impressão 3D, litografia etc.

Os cientistas enfatizam que a rede neural óptica desempenha uma função na velocidade da luz e não precisa de energia. Portanto, é uma maneira rápida e eficaz de implementar tarefas de aprendizado de máquina.

Para testar a idéia, os pesquisadores criaram uma rede neural capaz de reconhecer números de zero a nove - e reportar o resultado. Após o treinamento em 55.000 imagens de números, a rede neural impressa de sete camadas mostrou uma precisão de 93,39%.



Ao reconhecer roupas e sapatos da moda, uma rede neural de cinco camadas mostrou uma precisão de 81,13%, uma rede neural de dez camadas - 86,60%.



Segundo os pesquisadores, a rede neural do tipo óptico pode ser usada em dispositivos especializados que exigem alta velocidade, como determinar uma pessoa específica em uma multidão de pessoas em movimento.

O artigo científico foi publicado em 26 de julho de 2018 na revista Science (doi: 10.1126 / science.aat8084, pdf ).