Optische neurale netwerken zonder elektriciteit: hoe licht door een lens sturen om matrices in een oogwenk te vermenigvuldigen
University of California, Los Angeles
In 2018 drukte een groep van de Universiteit van Californië, Los Angeles een diffractief diep neuraal netwerk (D²NN) in 3D van gewoon plastic. Vijf plastic platen vermenigvuldigen matrices via lichtdiffractie en bereiken een nauwkeurigheid van 91,75 procent bij het herkennen van handgeschreven cijfers, zonder enig elektriciteitsverbruik na fabricage. De training vindt plaats op een GPU, waarna de gewichten in de plaatgeometrie worden vastgelegd.
In 2018 heeft een team onder leiding van Xin Lin en Aydogan Ozcan aan de UCLA een optisch neuraal netwerk, genaamd D²NN (Diffractive Deep Neural Network), geprint met een 3D-printer van gewoon plastic. Het bestaat uit vijf plastic platen met gestructureerde micro-oppervlakken, geplaatst in een terahertzbundel (0,4 THz, golflengte 0,75 mm). Elke plaat fungeert als een laag van een neuraal netwerk: de dikte van elke microscopische pixel bepaalt de faseverschuiving (gewicht), diffractie tussen de platen zorgt voor volledige connectiviteit, en het uiteindelijke interferentiepatroon focust licht op een scherm met tien sectoren voor cijferclassificatie. Het netwerk behaalde een nauwkeurigheid van 91,75% op MNIST-cijferherkenning. Tijdens gebruik is er geen elektriciteit nodig, alleen een lichtbron. Training gebeurt op een GPU via backpropagatie, waarna de geleerde fasewaarden worden omgezet naar fysieke diktes en worden uitgeprint met een 3D-printer. Het systeem is lineair en mist niet-lineaire activatiefuncties zoals ReLU; er zijn verschillende benaderingen verkend (elektro-optische hybrides, twee-fotonabsorptie, elektromagnetisch geïnduceerde transparantie, akoesto-optica), maar geen daarvan heeft commerciële vervanging bereikt.
Bron: Habr — хаб ML —
origineel