De lichtcomputer wordt, net als de kwantumcompu-ter, al lang een weergaloze toekomst voor-speld, maar net als zijnhaar mededinger laat die nog steeds op zich wachten. Een deel van het probleem zou gelegen zijn in die manier waarop die fotonische systemen worden aangestuurd (die zijn namelijk geënt op de digitale, elektronische systemen). Onderzoekers lijken nu een oplossing gevonden te hebben in een nieuw (?) type neuraal netwerk die ‘cellen’ verbindt met meer dan één andere ‘cellen’ (zo begrijp ik=as het).
De Chinese onderzoekers een fotonisch neuraalnetwerk dat dat de lichtcomputer bevrijdt van de hegemonie van de digit. Transformaties van licht wordt direct als informatie verwerkt, zonder afhankelijk te zijn van wiskundige modellen, legt het persbericht uit. Daardoor verbetert de nauwkeurigheid van het fotonische systeem maar ontstaan er ook mogelijkheden voor een snellere, energiezuiniger ki-systeem dan nu mogelijk is, denken de onderzoekers.
Traditionele fotonische neurale netwerken worden digitaal net als andere ki-systemen ‘opgeleid’ – op een computer – voordat ze worden overgebracht naar fysieke apparaten. Dit proces introduceert fouten op verschillende plaatsen: tijdens wiskundige modellering, parameterafronding, de productie van de apparatuur en de systeemassemblage. Deze fouten beperken de nauwkeurigheid van het uiteindelijke systeem.
Om deze beperking te overwinnen, ontwierpen de onderzoekers een ‘fotonisch neuraal multisynapsnetwerk’ (een synaps is een contactpunt tussen hersencellen) dat informatie met behulp van licht op een directere en fysiekere manier verwerkt.
In plaats van te vertrouwen op digitale berekeningen, gebruikt het systeem verschillende optische paden om invoer- en verborgen lagen met elkaar te verbinden. Deze paden worden gecreëerd met behulp van ruimtelijke lichtmodulatoren en camera’s, die lichtpatronen in werkelijke tijd manipuleren en vastleggen.

Het netwerk is gebaseerd op de ideeën van wat heet Extreme Learning Machine. In deze opstelling worden invoerbeelden gedupliceerd en via verschillende optische paden verzonden. Deze paden fungeren zoals we denken dat synapsen in de hersenen werken. De lichtpatronen worden vervolgens vastgelegd door een camera, omgezet in elektrische signalen en verwerkt om een indelingsbeslissing te nemen.

Cruciaal

Cruciaal is dat de ‘neuronen’ in de verborgen laag willekeurig worden gegenereerd door fysieke lichttransformaties, niet door vergelijkingen. Dit voorkomt de fouten die ontstaan ​​bij het simuleren van fysieke processen met digitale wiskunde.
De onderzoekers hebben hun systeem uitgeprobeerd bij drie bekende gegevensverzamelingen voor beeldclassificatie: MNIST (handgeschreven cijfers), Fashion-MNIST (kledingstukken) en CIFAR-10 (kleurenafbeeldingen van objecten).
De resultaten overtreffen niet alleen de prestaties van equivalente digitale neurale netwerken, maar overtreffen ook de prestaties van de meeste bestaande ki-systemen. Het voordeel werd nog duidelijker naarmate de taken ingewikkelder werden, zoals met de CIFAR-10-dataset.

Het lijkt er op dat fotonische neurale netwerken zich niet aan dezelfde regels (hoeven te) houden als digitale. Door de fysieke eigenschappen van licht direct te gebruiken – in plaats van te proberen ze te simuleren – kunnen wetenschappers systemen bouwen die zowel sneller als nauwkeuriger zijn.
De studie benadrukt ook het belang van multisynaptische verbindingen. Doordat er verschillende optische paden mogelijk zijn verbetert het vermogen van het systeem om kenmerken uit invoergegevens te halen, wat een nieuwe manier biedt om neurale netwerken te optimaliseren die verder gaat dan alleen het toevoegen van meer lagen of het aanpassen van activeringsfuncties.
Het succes van deze fotonische multisynaptische architectuur opent nieuwe mogelijkheden voor ki-apparatuur. De ontwerpprincipes kunnen worden toegepast op andere typen fysieke neurale netwerken, niet alleen die gebaseerd op licht. De multisynaptische strategie zou een standaardmiddel kunnen worden voor het verbeteren van de prestaties in toekomstige systemen.

Ki lijkt zich steeds meer te ontwikkelen van algoritmes naar fysieke apparaten – zoals slimme sensoren, autonome voertuigen en dergelijke – zouden dit soort innovaties een belangrijke rol kunnen spelen om die systemen sneller, efficiënter en beter te maken, denken de onderzoekers.

Bron: phys.org