经典光学神经网络展现出量子加速

发布时间：2024-04-25 15:55:20 栏目：精选百科

导读 近年来，人工智能技术特别是机器学习算法取得了长足的进步。这些技术使图像识别、自然语言生成和处理以及对象检测等任务的效率达到了前所未...

近年来，人工智能技术特别是机器学习算法取得了长足的进步。这些技术使图像识别、自然语言生成和处理以及对象检测等任务的效率达到了前所未有的水平。然而，如此出色的功能需要强大的计算能力作为基础。到目前为止，实现这一目标的计算资源已接近当前状态的极限。因此，有效降低机器学习模型的训练成本并提高其训练效率是研究领域的重要问题。



为了解决这个问题，人们在光学神经网络和量子神经网络两个研究方向上做出了巨大的努力。光神经网络利用先进的光学操纵方法来执行经典光学信息处理中的机器学习算法。它们具有低能耗、低串扰、低传输延迟等独特优势。然而，当前的光学神经网络并没有表现出算法加速，例如更快的模型收敛速度。量子神经网络是基于量子计算理论的神经网络算法。最近的研究表明，由于量子相关性，量子神经网络可以展示算法加速。然而，由于技术限制，目前此类神经网络算法很难在硬件上大规模执行，这使得它们在当前人们面临的实际问题中的应用具有挑战性。

先进光电量子结构与测量教育部重点实验室张向东教授领导的科学家团队在《光科学与应用》上发表了一篇新论文;北京理工大学物理学院纳米光子学与超精细光电系统北京市重点实验室及其同事开发了一种新型光学神经网络，可以表现出类似于量子神经网络的加速性能。这种有趣的性质是由于引入经典光学相关性作为信息载体而出现的。事实上，通过使用这样一种载体，人们可以模仿量子计算所实现的信息处理方式，这一点已经被研究人员的早期工作所证明。基于该性质，研究人员开发了相关光学状态上的卷积和池化操作，最终建立了相关光学卷积神经网络。该光学神经网络与量子卷积神经网络一一对应。它显示了学习某些数据集的训练过程的加速，并且可用于识别特定编码原理下量子态的特征。所报道的方法和技术将为实现算法增强型光学神经网络开辟新途径，这将有利于大数据时代的信息处理。

相关光学卷积神经网络的基本结构包括四个部分：相关光源、卷积、池化和检测。相关光学状态的核心处理是由卷积和池化部分完成的。与经典卷积神经网络中应用的不同，相关卷积光学神经网络中的两个部分操纵光学状态的相关性，并通过合并光束来生成更简单的相关状态。

“这两个部分实际上执行类似于量子卷积神经网络中的量子门的操作。”这项工作的科学家说。 “我们网络中的卷积部分由相关光学状态的单一运算组成。它就像量子位希尔伯特空间上的酉运算。我们考虑的池化部分相当于测量部分量子位以获得子希尔伯特空间。这样的部分导致数据维度呈指数下降。因此，在学习某些数据集时，这两部分的功能有助于损失函数更快地收敛。此外，我们还通过对量子态的拓扑相进行识别来证明我们的相关光学卷积神经网络与量子卷积神经网络的相似性。该认证得到了理论和实验结果的支持。”

“结果还表明，量子神经网络的特性可以通过更实惠的方式实现。”他们补充道。 “尽管量子神经网络具有潜在的优势，但实现它们实际上需要具有许多多量子位门和复杂测量的深度量子电路。这需要大量资源来稳定电路并纠正错误，由于不可避免的环境干扰，这在技术上具有挑战性。一个可能更好的选择是找到一个用与量子理论相同的数学描述的系统，并且受环境干扰更少。所提出的相关光学神经网络就是这种系统的一个例子，我们的实验中元件排列的简便性和对环境的要求较低就证明了这一点。鉴于数据的指数级增长和高质量计算资源的稀缺，我们的方法提供了一种经济高效且高性能的解决方案，可以在各种数据科学研究领域得到广泛应用。”