北京理工大学的研究人员在人工智能领域取得了突破性的发展,率先提出了一种新型的光学神经网络,该网络通过利用经典的光学相关性表现出“量子加速”。这项研究由张向东教授领导,标志着随着计算资源接近极限,在解决对高效机器学习模型日益增长的需求方面迈出了重要一步。ONN 与 QNN:量子优势
目前正在探索的提高机器学习任务效率的两条重要途径是ONN和量子神经网络。ONN 以其能效和低延迟而闻名,但缺乏算法加速的元素。另一方面,QNN 通过量子关联实现加速,但面临技术限制,对其部署构成挑战。ONN 计算能力的飞跃
北京理工大学的研究团队巧妙地将经典的光学相关引入ONN,从而创建了一个相关的光学卷积神经网络。这项创新加速了特定数据集的训练,并促进了量子态特征的识别。该模型模拟了 QNN 中的加速度,但实施更简单,环境要求更低。构建具有成本效益的 QNN 替代方案
相关的ONN包括相关的光源、卷积、池化和检测,执行类似于量子门的操作。这种方法可以在学习过程中更快地收敛损失函数。该研究发布在《光科学与应用》杂志上,提出了一种具有成本效益的QNN替代方案,有望为人工智能时代的大数据处理带来重大好处。