使用光的神經網絡為機器學翻開持續發展的新篇章
馬克斯普朗克光學科學研究所的科學家們在《自然物理》期刊報導了一種利用光學系統實現神經網絡的新方法，這種創新的機器學習方式有望解決目前數位神經網絡面對的能源消耗日益增長和長時間訓練的問題。目前，諸如電腦視覺和文本生成（例如ChatGPT）的人工智能應用依賴於複雜的神經網絡，這些網絡可能包含數十億個參數。像GPT-3這樣的網絡訓練過程特別耗能，消耗超過1000 MWh的能量，相當於小鎮的日常能源使用量。
神經形態計算作為一個新興領域，旨在用物理神經網絡取代數位式神經網絡，直接並且更有效率地執行數學運算。光子學和光學為這些物理神經網絡提供了一個有希望的途徑，這得益於它們低能耗的特性，以及可以平行處理計算至接近光速的能力。然而，面臨的挑戰包括複雜數學計算需要高功率激光和缺乏一個有效的普遍訓練方法。
馬克斯普朗克研究團隊，由Clara Wanjura和Florian Marquardt領導，通過改變數據輸入在光場上的印記方式，提出了一個解決這些問題的方法。與之前需要精密物理互動和高功率光場的方法不同，他們的方式通過改變光的傳輸來以更簡單、更節能的方式處理輸入信號。這使得通過僅觀察通過系統傳輸的光就能輕鬆對物理神經網網絡進行評估和訓練，並且執行諸如圖像分類等複雜任務達到與數位對手相媲美的準確度。
這項創新大幅降低了實現神經形態設備在各種系統中的實驗障礙，代表著邁向更持續、更高效機器學習方法的重大一步。研究人員計劃進一步合作，與實驗小組探索他們方法的實際應用。
科學家開發的利用光孓系統的神經網絡，為解決傳統機器學習能源消耗大和訓綻時間長的問題提供了一個節能高效的解決方案。