经典光学神经网络表现出“量子加速”
图片来源：Light： Science & Applications （2024）。DOI：
10.1038/s41377-024-01376-7
近年来，人工智能技术，尤其是机器学习算法，取得了长足的进步。这些技术在图像识别、自然语言生成和处理以及物体检测等任务中实现了前所未有的效率，但这种出色的功能需要大量的计算能力作为基础。
目前的计算资源已接近极限，因此有效降低机器学习模型的训练成本，提高其训练效率是研究领域的一个重要课题。
为了解决这个问题，在光学神经网络和量子神经网络两个研究方向上做出了巨大的努力。光学神经网络利用先进的光学操作方法在经典的光学信息处理中执行机器学习算法。它们具有低能耗、低串扰和低传输延迟等独特优势。然而，目前的光学神经网络并没有表现出算法加速，比如更快的模型收敛速度。
量子神经网络是基于量子计算理论的神经网络算法。最近的研究表明，由于量子相关性，量子神经网络可以证明算法加速。然而，由于技术上的限制，目前这种神经网络算法很难在硬件上大规模执行，这使得它们在目前人们面临的实际问题中的应用具有挑战性。
在发表在《光：科学与应用》上的一篇新论文中，由教育部先进光电量子结构与测量重点实验室的张向东教授领导的科学家团队;中国北京理工大学物理学院纳米光子学和超精细光电系统北京重点实验室及其同事开发了一种新型的光学神经网络，可以展示量子神经网络的加速模拟。
由于引入了经典光学相关性作为信息载体，因此出现了这种有趣的特性。事实上，通过使用这种载体，人们可以模仿量子计算实现的信息处理方式，这已被研究人员的早期工作所证明。
基于该特性，研究人员开发了相关光学状态的卷积和池化运算，并建立了相关光学卷积神经网络。该光学神经网络与量子卷积神经网络具有一对一的对应关系。它显示了学习某些数据集的训练过程的加速，并可用于识别特定编码原理下的量子态特征。
所报道的方法和技术将为实现算法增强的光学神经网络开辟新的途径，这将有利于大数据时代的信息处理。
相关光学卷积神经网络的基本结构包括四个部分：相关光源、卷积、池化和检测。相关光学态的核心处理由卷积和池化部分完成。与经典的卷积神经网络不同，相关卷积光学神经网络中的这两个部分操纵光学状态的相关性，并通过合并光束来生成更简单的相关状态。
“这两个部分实际上执行类似于量子卷积神经网络中的量子门的操作，”科学家们说。“我们网络中的卷积部分由相关光学状态上的酉运算组成。
“这就像量子比特的希尔伯特空间上的酉运算。我们考虑的池化部分等价于测量部分量子比特以获得亚希尔伯特空间。这样的部分导致数据维度呈指数级下降。因此，在学习某些数据集时，这两个部分的函数有助于更快地收敛损失函数。
“此外，我们还通过识别量子态的拓扑相来证明我们的相关光学卷积神经网络与量子卷积神经网络的相似性。该认证得到了理论和实验结果的支持。
“结果还表明，量子神经网络的特性可以以更实惠的方式实现，”他们补充道。
“尽管量子神经网络具有潜在的优势，但实现它们实际上需要具有许多多量子比特门和复杂测量的深度量子电路。这需要大量的资源来稳定电路和纠正错误，由于不可避免的环境干扰，这在技术上具有挑战性。
“一个可能更好的选择是找到一个与量子理论相同的数学描述的系统，并且较少受到环境的干扰。所提出的相关光学神经网络是这种系统的一个例子，正如我们实验中元件排列的简单性和对环境的低要求所证明的那样。
“鉴于数据的指数级增长和高质量计算资源的稀缺性，我们的方法提供了一种具有成本效益和高性能的解决方案，可以在各种数据科学研究领域得到广泛应用。
更多信息：Yifan Sun 等人，将光学卷积神经网络与“量子加速”相关联，Light： Science & Applications （2024）。DOI： 10.1038/s41377-024-01376-7
期刊信息： Light： Science & Applications