更永續的機器學習  利用光學系統簡化神經網路

編譯／高晟鈞

來自馬克斯普朗克光科學研究所的Clara Wanjura和Florian Marquardt博士提出了一種利用光學系統實現神經網路的新方法，使機器學習在未來能夠更簡化、永續。

AI機器學習的趨勢銳不可擋

自ChatGPT推出已經接近兩年時間不到，卻已經大幅改變了現今人們的生活，AI人工智慧與機器學習變得愈來愈廣泛，應用範圍囊括了電腦視覺、文字生成和醫療保健等等，但隨著任務越來越複雜，也需要更大規模的神經網路來支撐其演算。

更多新聞：卷積全光學神經網路  AI成像的革命性進步

然而，隨之而來的能源消耗與訓練時間也呈指數級增長。據估計，訓練GPT-3所消耗的能量超過了每小時1000兆瓦，相當於一個鎮每天電能的消耗量。因此如何開發更節能、更具成本效益的實體神經網路，以取代數位電腦上的神經網路，便是科學家努力的目標。

物理光學神經網路

光學神經型態計算因為能耗可以保持在最低限度，同時以非常高的速度執行計算，而被認為具有巨大的潛力。然而到目前為止，光子平台仍存在兩個巨大挑戰：實現複雜數學計算所需要的高功率雷射，以及訓練此類物理神經網路的通用模式。

對此，研究團隊改變了光傳輸的方法來調整資料的輸入。這種方法的好處是，即使光場本身以最簡單的方式表現，波發生了干涉也不會相互影響，這使得研究團隊可以避免複雜物理作用所需要的高功率光場。

因此，評估和訓練物理神經網路將變得非常簡單。作者也證明了使用這種方法來執行影像分類任務，其精確度與數位神經網路相同。這為了物理神經型態系統開闢了新的可能性，允許在廣泛的平台上進行訓練。

資料來源:Phys.org

瀏覽 161 次