如今，儘管計算機已經具有了十分強大的學習能力，但是在影像模式識別、風險管理等複雜任務上都還難以達到與人類持平的水準。
然而，最近光纖神經網路方面的新技術或許可以顯著拉近計算機與人腦的這一差距。
研究人員近日表示，他們首創的多層全光學人工神經網路已經有了很大突破，作為這一類神經網路的最新成果，這是實現大規模光纖神經網路的關鍵進展。
通常，這種型別的神經網路可以解決傳統計算方法無法解決的複雜問題，但是與此同時它也需要耗費大量運算時間和大量計算資源。因此，人們都希望能夠開發出更加實用的光學人工神經網路，也就是比基於傳統演算法的人工神經網路運算更快且耗電更少。
在光學學會的研究期刊Optica中，來自香港科技大學的研究人員詳細介紹了他們的雙層全光學神經網路，以及他們是如何成功將其應用於複雜的分類任務。
“我們的全光學神經網路可以以光速進行平行計算而消耗很少的能量，”研究團隊成員劉軍偉表示，“大規模的全光學神經網路可以用於從影像識別到科學研究的各種場景。”
在傳統的混合型光學神經網路中，光學元素通常作為線性運算的部分存在，而那些非線性運算的部分，即通常是那些模擬人腦神經元反應的部分一般是通過電子方式實現的，因為非線性光纖通常需要高功率鐳射，而這在光學神經網路中比較難實現。
為了克服這一困難，研究人員們使用具有電磁感應透明度的冷原子來完成神經網路中非線性運算的部分。“這種光誘導效應可以通過消耗功率很低的弱鐳射實現，”研究團隊成員杜勝望說，“因為這種效應是基於非線性量子干涉，所以有可能將我們的系統擴充套件到量子神經網路中，這可以解決經典神經網路難以解決的問題。”
為了確認新方法的能力與可行性，研究人員構建了一個雙層全連線全光學神經網路，它有16個輸入值和2個輸出值。研究人員使用他們的全光網路對伊辛模型（Ising Model）的順序和無序階段進行分類。結果表明，全光學神經網路與傳統基於計算機的神經網路一樣準確。
(a)典型雙層神經網路原理圖；(b)包含線性與非線性運算功能的光學神經元的原理圖。
研究人員計劃將全光學的方法擴充套件到具有複雜架構的大規模全光學深度神經網路上。這些架構專為影像識別等特定目標而設計，而這樣的擴充套件將有助於證明該方案在更大範圍同樣適用。
“儘管我們的工作是一個對原理的論證，但它說明未來有可能會開發出光學版本的人工智慧。”杜勝望表示。
“與今天的基於計算機的人工智慧相比，下一代人工智慧會更快、功耗更低。”劉軍偉補充道。
相關報導：
https://www.sciencedaily.com/releases/2019/08/190829101101.htm