重大突破！在光学芯片上直接训练人工神经网络
斯坦福大学研究人员已经证明，在光学芯片上直接训练人工神经网络是可能的。这一重大突破表明，光学电路可以执行基于电子技术的人工神经网络的关键功能，并且可以更便宜、更快和更节能的方式来执行诸如语音或图像识别等复杂任务。
研究人员已经证明，神经网络可以使用光学电路(图中的蓝色矩形)进行训练。在整个网络中，会有几个连接在一起。激光输入(绿色)信息，通过光学(黑色)芯片。该芯片使用非均匀波束执行对人工神经网络至关重要的操作，它是由曲线段表示的。这些部分将两个相邻的部分连接在一起，并通过调整光学相位(红色和蓝色物体)的设置来调谐，它们的作用就像可以在训练期间调整以执行给定任务的“转轨”。这一研究结果由斯坦福大学研究组的Tyler W. Hughes所证明。
“使用光学芯片比数字计算机更有效地执行神经网络，可以解决更复杂的问题。”斯坦福大学研究小组的Shanhui Fan说。“例如，这将增强人工神经网络执行自动驾驶汽车所需任务的能力，或者对口头问题作出适当的反应。它还能以我们现在无法想象的方式改善我们的生活。”
尽管光学人工神经网络最近被实验证明，但训练步骤是在传统的数字计算机上使用一个模型进行的，然后将最后的设置输入到光学电路中。在光学学会的拥有很高影响力的研究杂志上，斯坦福大学报告了一种直接在设备中训练这些网络的方法，这种方法是通过实现“光学vwin
”算法来实现的，这是训练常规神经网络的标准方法。
“使用物理设备而不是计算机模型进行训练可以使训练过程更加精确。”Hughes说。“此外，由于训练步骤是神经网络实现过程中非常昂贵的部分，因此执行这一步骤对于提高人工网络的计算效率、速度和功耗至关重要。”
基于光的网络
虽然神经网络处理通常使用传统计算机执行，但仍有大量工作要设计专门为神经网络计算而优化的硬件。基于光学的设备有很大的兴趣，因为它们可以并行执行，同时使用比电子设备更少的能量。
在这项新的工作中，研究人员通过设计一种传统计算机训练神经网络的方法设计了一种光学芯片，这对实现全光神经网络提出了重大挑战。
一个人工神经网络可以被认为是一个黑匣子，有大量的人工神经网络。在训练过程中，每个训练单元都会有一些变化，然后对系统进行测试，看看算法的性能是否有所提高。
“我们的方法不仅可以帮助你预测转向哪个方向，而且还可以帮助你预测你应该把每一种方法都转化成更接近预期的性能。”Hughes说。“我们的方法大大加快了训练的速度，特别是对于大型网络，因为我们并行地获得了关于每种方法的信息。”
片上训练
新的训练协议工作在光路上，通过改变光学相位的设置来调整光路。将待处理的激光束编码信息发射到光路中，通过光束进行光路传输，并对其进行调整，以训练神经网络算法。
在新的训练协议中，激光器首先通过光路输入。在设备上，计算与预期结果的差异。然后，该信息被用来产生一个新的光信号，该光信号通过光网络以相反的方向发送回来。在这个过程中，研究人员通过测量每个光束周围的光强度，展示了如何并行地检测神经网络性能将如何随着光束的设置而变化。根据这些信息可以改变相位设置，并且过程可以重复，直到神经网络产生期望的结果。
研究人员通过教授一种执行复杂功能的算法，例如在一组点内提取复杂的特征，用光学模拟测试了他们的训练技术。他们发现，光学实现功能与传统计算机相似。
“我们的工作证明，你可以利用物理定律来实现计算机科学算法，”Fan说。“通过在光领域对这些网络进行训练，它表明光神经网络系统可以单独使用光学来实现某些更高的性能。”
目前，研究人员正计划进一步优化该系统，并希望利用它实现神经网络任务的实际应用。他们设计的一般方法可用于各种神经网络体系结构和其他应用，如光学。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表德赢Vwin官网
网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。
举报投诉
-
人工神经网络
+关注
关注
1文章
119浏览量
14619 -
光学芯片
+关注
关注
0文章
17浏览量
4495
发布评论请先 登录
相关推荐
Python自动训练人工神经网络
人工神经网络（ANN）是机器学习中一种重要的模型，它模仿了人脑神经元的工作方式，通过多层节点（神经元）之间的连接和权重调整来学习和解决问题。Python由于其强大的库支持（如Tenso
脉冲神经网络怎么训练
脉冲神经网络（SNN, Spiking Neural Network）的训练是一个复杂但充满挑战的过程，它模拟了生物神经元通过脉冲（或称为尖峰）进行信息传递的方式。以下是对脉冲神经网络
怎么对神经网络重新训练
重新训练神经网络是一个复杂的过程，涉及到多个步骤和考虑因素。 引言 神经网络是一种强大的机器学习模型，广泛应用于图像识别、自然语言处理、语音识别等领域。然而，随着时间的推移，数据分布可能会
BP神经网络和人工神经网络的区别
BP神经网络和人工神经网络（Artificial Neural Networks，简称ANNs）之间的关系与区别，是神经网络领域中一个基础且重要的话题。本文将从定义、结构、算法、应用及
BP神经网络的基本结构和训练过程
BP神经网络，全称为反向传播神经网络（Backpropagation Neural Network），是一种在机器学习、数据挖掘和模式识别等领域广泛应用的人工
如何利用Matlab进行神经网络训练
，使得神经网络的创建、训练和仿真变得更加便捷。本文将详细介绍如何利用Matlab进行神经网络训练，包括网络创建、数据预处理、
人工神经网络模型训练的基本原理
图像识别、语音识别、自然语言处理等。本文将介绍人工神经网络模型训练的基本原理。 1. 神经网络的基本概念 1.1 神经元
人工神经网络模型的分类有哪些
人工神经网络（Artificial Neural Networks, ANNs）是一种模拟人脑神经元网络的计算模型，它在许多领域，如图像识别、语音识别、自然语言处理、预测分析等有着广泛的应用。本文将
人工智能神经网络芯片的介绍
人工智能神经网络芯片是一类专门为深度学习和神经网络算法设计的处理器。它们具有高性能、低功耗、可扩展等特点，广泛应用于图像识别、语音识别、自然语言处理等领域。以下是关于
bp神经网络和卷积神经网络区别是什么
BP神经网络（Backpropagation Neural Network）和卷积神经网络（Convolutional Neural Network，简称CNN）是两种不同类型的人工神经网络
卷积神经网络训练的是什么
、训练过程以及应用场景。 1. 卷积神经网络的基本概念 1.1 卷积神经网络的定义 卷积神经网络是一种前馈深度学习模型，其核心思想是利用卷积操作提取输入数据的局部特征，并通过多层结构进
人工神经网络的含义和用途是
神经网络在许多领域都有广泛的应用，包括图像识别、语音识别、自然语言处理、推荐系统、预测分析等。 一、人工神经网络的含义 定义：人工
如何训练和优化神经网络
神经网络是人工智能领域的重要分支，广泛应用于图像识别、自然语言处理、语音识别等多个领域。然而，要使神经网络在实际应用中取得良好效果，必须进行有效的训
工商网监
评论