科技日报北京4月17日电(记者张梦然)德国马克斯·普朗克光科学研究所与美国麻省理工学院研究人员合作,通过向光子机器学习添加声波维度,成功地为可重构神经形态模块奠定了基础。此次成果对生成式人工智能(AI)高效解释上下文语义信息至关重要。研究成果17日发表在美国科学促进会网站上。
ChatGPT等语言模型能创建出表达自然的文本,并以结构化方式总结段落。但缺点是,实现这一点需要巨大的能源支撑。这也意味着,随着它们飞速发展,这些智能设备必须要有新的解决方案来加速信号处理并降低能耗。
神经网络被认为有潜力成为AI的支柱。将它们构建为基于光而不是电信号的光学神经网络,就能高速且高效地处理大量数据。然而,迄今为止,许多实现光学神经网络的实验方法都依赖于固定组件和稳定设备。
研究团队此次找到一种基于声波构建可重构模块的方法,用于光子机器学习。该研究的关键是光驱动产生的行进声波,其可操纵光学神经网络的后续计算步骤。比起光信息流,声波的传输时间要长得多,因此,它们在光纤中保留的时间更长,并且可依次链接到每个后续处理步骤。
该团队用实验演示了第一个构建模块——循环算子,这是循环神经网络领域广泛使用的技术。它允许链接一系列计算步骤,并可为执行的每个计算步骤提供上下文。
光声循环算子利用光波导的固有特性,无需人工储层或新制造结构,现已被用来区分多达27种不同的模式,展示了其在节能的同时,高效处理上下文的能力。
【总编辑圈点】
本文中的循环算子最大的看点,就是具有完全光学控制优势。换句话说,它完全由光控制,不需要复杂的结构和传感器,就能使光声计算机在逐个脉冲的基础上进行编程。在这一成果基础上,未来,工程师们可在高效的光学神经网络中,使用声波去解锁光学神经形态计算,这种计算还允许在当前电信网络中进行大规模内存计算。