Optische neuronale Netze ohne Strom: Wie man Licht durch eine Linse schickt, um Matrizen sofort zu multiplizieren
University of California, Los Angeles
Im Jahr 2018 druckte eine Gruppe der University of California, Los Angeles (UCLA) ein diffraktives tiefes neuronales Netzwerk (D²NN) aus gewöhnlichem Kunststoff im 3D-Verfahren. Fünf Kunststoffplatten führen die Matrizenmultiplikation mithilfe von Lichtbeugung durch und erreichen eine Genauigkeit von 91,75 Prozent bei der Erkennung handgeschriebener Ziffern – und das ohne jeglichen Strom nach der Herstellung. Das Training erfolgt auf einer Grafikkarte (GPU), anschließend werden die Gewichte fest in der Plattengeometrie verankert.
Im Jahr 2018 druckte ein Team um Xin Lin und Aydogan Ozcan an der UCLA ein optisches neuronales Netz namens D²NN (Diffractive Deep Neural Network) aus gewöhnlichem Kunststoff im 3D-Druckverfahren. Es besteht aus fünf Kunststoffplatten mit mikrostrukturierten Oberflächen, die in einem Terahertz-Strahl (0,4 THz, Wellenlänge 0,75 mm) platziert sind. Jede Platte fungiert als Schicht eines neuronalen Netzes: Die Dicke jedes mikroskopischen Pixels bestimmt die Phasenverschiebung (Gewicht), die Beugung zwischen den Platten realisiert eine vollständige Konnektivität, und das endgültige Interferenzmuster fokussiert das Licht auf einen Bildschirm mit zehn Sektoren zur Klassifizierung von Ziffern. Das Netz erreichte eine Genauigkeit von 91,75 % bei der Erkennung von Ziffern des MNIST-Datensatzes. Während des Betriebs wird keine Elektrizität benötigt – nur eine Lichtquelle. Das Training erfolgt auf GPUs mittels Backpropagation, danach werden die gelernten Phasenwerte in physische Dicken umgewandelt und 3D-gedruckt. Das System ist linear und besitzt keine nichtlinearen Aktivierungsfunktionen wie ReLU; verschiedene Ansätze (elektro-optische Hybride, Zwei-Photonen-Absorption, elektromagnetisch induzierte Transparenz, Akusto-Optik) wurden erforscht, aber keiner hat eine kommerzielle Ablösung erreicht.
Quelle: Habr — хаб ML —
Original