Нейронные сети лучше всего справляются с такими сложными задачами, как распознавание лиц и голоса, но их реализации на базе классических электросхем крайне ограничены в быстродействии и имеют очень высокое энергопотребление. Теоретически оптика может решить эти проблемы, а также превзойти электронные аналоги в матричных вычислениях, широко применяемых в нейронных сетях. Тем не менее, её применение было ограничено из-за неспособности выполнять некоторые сложные вычисления, но сейчас новые эксперименты показали, что полностью оптические нейронные сети всё-таки могут справиться с этими задачами, а значит появление новых сверхбыстрых оптических систем искусственного интеллекта в ближайшем будущем становится вполне реальным.
Оптически нейронные сети во многом превосходят электронные
Ключевая и наиболее привлекательная черта нейронных сетей — огромное количество взаимосвязей, которые образуют нейроны, подобно их биологическим аналогам в человеческом . Эти связи дают им высокую способность к параллелизму, что позволяет выполнять множество операций одновременно, делая их гораздо более эффективными в задачах по распознаванию лиц или голоса, чем традиционные компьютерные системы, которые выполняют одну или несколько инструкций за раз.
Современные электронные нейронные сети достигают размера до восьми миллионов нейронов, но их будущее применение для искусственного интеллекта может быть ограничено из-за высокого энергопотребления и ограниченного параллелизма в соединениях. В то время как оптические соединения через линзы по своей сути параллельны изначально. Например, линза в вашем глазу фокусирует сразу весь поступающий свет на сетчатку в задней части глаза, где расположено множество детектирующих свет нервных клеток. Затем каждая клетка непрерывно передаёт оптический сигнал нейронам , которые их обрабатывают, чтобы показать нам итоговое изображение.
Стеклянные линзы обрабатывают оптические сигналы путём фокусировки света, выполняя сложную математическую операцию, называемую преобразованием Фурье, которое помогает транслировать сигнал из аналогового вида в цифровой. Например, одним из применений преобразований Фурье является преобразование временных изменений интенсивности сигнала в график частот, присутствующих в сигнале. Военные использовали этот приём в 1950-х годах, чтобы преобразовать необработанные радиолокационные сигналы, записанные летящим самолётом, в трёхмерное изображение ландшафта. Сегодня это преобразование без проблем осуществляется современными компьютерами, а вот ламповые компьютеры 1950-х годов не справлялись с этой задачей.
Разработка нейронных сетей для искусственного интеллекта началась с их моделирования на классических компьютерах, но в таком виде ИИ был ограничен из-за медленной обработки данных и необходимости в значительных вычислительных ресурсах. Через некоторое время были разработаны гибридные нейронные сети, в которых оптика выполняет простые линейные операции, а электроника занимается более сложными нелинейными вычислениями. И вот сейчас две независимые группы исследователей продемонстрировали достаточно простые и полностью оптические нейронные сети, которые выполняют всю обработку данных самостоятельно.
Схематичное изображение нейронной сети из научной работы группы Вольфарама Перниса
В мае Вольфрам Пернис (Wolfram Pernice) из Института физики Мюнстерского университета в Германии и его коллеги сообщили о тестировании полностью оптического «нейрона», использующего специальный материал, изменяющий своё состояние при получении сигнала между жидким и твёрдым, что позволило использовать его для оптического хранения данных. С его помощью они продемонстрировали нелинейную обработку данных и выходные импульсы, похожие на импульсы органических нейронов. Затем учёные создали интегрированную фотонную схему, которая включала в себя четыре таких оптических нейрона, работающих на разных длинах волн, каждый из которых был подключен к 15 оптическим синапсам. Данная схема включала около 140 компонентов и смогла распознавать простые оптические структуры. Исследователи утверждают, что их устройство является масштабируемым, и в будущем данная технология обещает «доступ к высокой скорости и пропускной способности, присущей оптическим системам, что позволит напрямую обрабатывать оптические телекоммуникационные и визуальные данные». Исследование было опубликовано в журнале Nature.
Многослойная полностью оптическая нейронная система, разработанная учёными из Гонконга
Теперь группа из Гонконгского университета науки и технологии опубликовала научную работу в журнале Optica, где они описали, как им удалось создать полностью оптическую нейронную сеть, основанную уже на другом физическом процессе — электромагнитно-индуцированной прозрачности, эффекте, при котором свет влияет на то, как атомы перемещаются между квантово-механическими уровнями энергии. «Этот процесс является нелинейным и может быть инициирован очень слабыми световыми сигналами», — объясняет Шенгванг Ду (Shengwang Du), профессор физики и соавтор статьи.
В своём эксперименте они подвергли воздействию света атомы рубидия, охлаждённые лазерами до примерно 10 микрокельвинов (на 10 микроградусов выше абсолютного нуля). Хотя метод может показаться необычайно сложным, как утверждает Ду, данная технология является наиболее простой и доступной для использования в лаборатории из тех, что могли дать желаемый эффект. «Будучи чисто квантовой атомной системой, она идеально подходит для этого эксперимента, чтобы доказать сам принцип работы», — утверждает он.
В будущем группа Шенгванга планируют увеличить размер системы при помощи использования горячего атомного пара, который является менее дорогим, не требует трудоёмкой подготовки по охлаждению атомов и в дальнейшем может быть интегрирован с фотонными чипами.
«Их демонстрация кажется верной и работоспособной», — комментирует Фолькер Зоргер (Volker Sorger), инженер-электрик из Университета Джорджа Вашингтона. Он соглашается, что полностью оптический подход очень привлекателен, так как предлагает очень высокий параллелизм, но частота обновления нейронов, по его мнению, в проекте Шенгванга составит примерно 100 герц из-за используемых в них жидких кристаллов, и потому Волкер не совсем уверен, что такую систему возможно масштабировать без ошибок.
