近年來，人工智能技術(shù)，尤其是機(jī)器學(xué)習(xí)算法，取得了長足的進(jìn)步。這些技術(shù)在圖像識別、自然語言生成和處理以及物體檢測等任務(wù)中實現(xiàn)了前所未有的效率，但這種出色的功能需要大量的計算能力作為基礎(chǔ)。

目前的計算資源已接近極限，因此有效降低機(jī)器學(xué)習(xí)模型的訓(xùn)練成本，提高其訓(xùn)練效率是研究領(lǐng)域的一個重要課題。

為了解決這個問題，在光學(xué)神經(jīng)網(wǎng)絡(luò)和量子神經(jīng)網(wǎng)絡(luò)兩個研究方向上做出了巨大的努力。光學(xué)神經(jīng)網(wǎng)絡(luò)利用先進(jìn)的光學(xué)操作方法在經(jīng)典的光學(xué)信息處理中執(zhí)行機(jī)器學(xué)習(xí)算法。它們具有低能耗、低串?dāng)_和低傳輸延遲等獨特優(yōu)勢。然而，目前的光學(xué)神經(jīng)網(wǎng)絡(luò)并沒有表現(xiàn)出算法加速，比如更快的模型收斂速度。

量子神經(jīng)網(wǎng)絡(luò)是基于量子計算理論的神經(jīng)網(wǎng)絡(luò)算法。最近的研究表明，由于量子相關(guān)性，量子神經(jīng)網(wǎng)絡(luò)可以證明算法加速。然而，由于技術(shù)上的限制，目前這種神經(jīng)網(wǎng)絡(luò)算法很難在硬件上大規(guī)模執(zhí)行，這使得它們在目前人們面臨的實際問題中的應(yīng)用具有挑戰(zhàn)性。

在發(fā)表在《光：科學(xué)與應(yīng)用》上的一篇新論文中，由教育部先進(jìn)光電量子結(jié)構(gòu)與測量重點實驗室的張向東教授領(lǐng)導(dǎo)的科學(xué)家團(tuán)隊;中國北京理工大學(xué)物理學(xué)院納米光子學(xué)和超精細(xì)光電系統(tǒng)北京重點實驗室及其同事開發(fā)了一種新型的光學(xué)神經(jīng)網(wǎng)絡(luò)，可以展示量子神經(jīng)網(wǎng)絡(luò)的加速模擬。

由于引入了經(jīng)典光學(xué)相關(guān)性作為信息載體，因此出現(xiàn)了這種有趣的特性。事實上，通過使用這種載體，人們可以模仿量子計算實現(xiàn)的信息處理方式，這已被研究人員的早期工作所證明。

基于這一特性，研究人員開發(fā)了相關(guān)光學(xué)狀態(tài)的卷積和池化運算，建立了相關(guān)光學(xué)卷積神經(jīng)網(wǎng)絡(luò)。該光學(xué)神經(jīng)網(wǎng)絡(luò)與量子卷積神經(jīng)網(wǎng)絡(luò)具有一對一的對應(yīng)關(guān)系。它顯示了學(xué)習(xí)某些數(shù)據(jù)集的訓(xùn)練過程的加速，并可用于識別特定編碼原理下的量子態(tài)特征。

所報道的方法和技術(shù)將為實現(xiàn)算法增強(qiáng)的光學(xué)神經(jīng)網(wǎng)絡(luò)開辟新的途徑，這將有利于大數(shù)據(jù)時代的信息處理。

相關(guān)光學(xué)卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)包括四個部分：相關(guān)光源、卷積、池化和檢測。相關(guān)光學(xué)態(tài)的核心處理由卷積和池化部分完成。與經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)不同，相關(guān)卷積光學(xué)神經(jīng)網(wǎng)絡(luò)中的這兩個部分操縱光學(xué)狀態(tài)的相關(guān)性，并通過合并光束生成更簡單的相關(guān)狀態(tài)。

相關(guān)鏈接：https://phys.org/news/2024-04-classical-optical-neural-network-quantum.html

論文鏈接：https://dx.doi.org/10.1038/s41377-024-01376-7