Фотонная нейросеть показала unparalleled точность распознавания по сравнению с цифровыми аналогами

Фотонная нейросеть превзошла цифровые аналоги в точности распознавания

Ученые из Китая разработали фотонную нейросеть, в которой вычисления осуществляются за счет дифракции света и оптических взаимодействий. Эта структура, созданная коллективом из Северо-Западного политехнического университета и Университета Юго-Восточного Китая, основывается на концепции Extreme Learning Machine (ELM). Главное отличие заключается в том, что скрытый слой реализуется не через программные алгоритмы, а при помощи физических оптических процессов. Каждый нейрон получает сигналы от нескольких световых путей одновременно — это и называется фотонными мультисинапсами.

Такой подход обеспечивает не только высокую степень точности распознавания, но и существенно ускоряет работу системы. Например, достигнута точность 99,79% на наборе данных MNIST для распознавания рукописных цифр, 98,26% на Fashion-MNIST (изображения одежды) и 90,29% на более сложном датасете CIFAR-10 (цветные фото объектов). Эти результаты значительно превосходят показатели большинства существующих архитектур.

Фотонная нейросеть превзошла цифровые аналоги в точности распознавания
Иллюстрация: Sora

Ключевым фактором успешной работы системы является использование «мультисинаптической» оптики. Вместо простых связей между нейронами применяются множество параллельных путей, созданных за счет дублирования входного изображения и направлении его по различным траекториям. Этот метод повышает устойчивость к шумам, обеспечивает точную передачу информации и улучшает процесс обучения без необходимости в численном моделировании.

Так как вычисления происходят физически, обучение модели занимает всего несколько секунд. Энергопотребление при этом составляет аттоджоули на одну операцию, что значительно ниже показателей современных цифровых чипов. Производительность достигает 2,89 TOPS/s, что делает данную архитектуру многообещающей для создания энергоэффективных ИИ-устройств.

Фотонная нейросеть превзошла цифровые аналоги в точности распознавания
Источник: Zhuonan Jia, Haopeng Tao, Guang-Bin Huang, Ting Mei

Кроме того, фотонная нейросеть не требует сложного программного обучения: ее структура формируется в результате дифракции света, а обучение происходит только на уровне обработки выходных данных. Это резко снижает требования к оборудованию и открывает возможности для создания компактных оптических устройств в будущем.

Эта работа в значительной степени продвигает развитие аналоговых нейросетей, где вычисления будут происходить со скоростью света — в прямом смысле.

Что читать дальше

Подборка материалов по этой теме.

Сейчас читают

Материалы, которые чаще открывают сегодня.

Загрузка…

Ещё по теме

Продолжить чтение

Материалы, которые помогут не выпадать из темы.