3D-tlačená Deep Learning neurónová sieť používa svetlo namiesto elektrónov

Anonim

3D-tlačená Deep Learning neurónová sieť používa svetlo namiesto elektrónov

Počítače

Matt Kennedy

1. augusta 2018

7 obrázkov

Vedci z UCLA vytvorili jedinečnú všestrannú platformu na vykonávanie úloh strojového učenia rýchlosťou svetla "(Credit: Ozcan Research Group / UCLA)

Je to nová myšlienka, ktorá využíva svetlo difraktované cez početné platne namiesto elektrónov. A pre niektorých sa môže zdať, že je to trochu ako nahrádzanie počítača s počítadlom, ale vedci u UCLA majú veľké nádeje na svoju nepredvídateľnú, lesknú, umelú neurónovú sieť rýchlosti svetla.

Cieľom Deepteru v roku 1986 je Deep Learning jedna z najrýchlejšie sa rozvíjajúcich metodík v komunite strojového učenia a často sa používa pri rozpoznávaní tváre, reči a zvuku, pri spracovaní jazykov, pri filtrovaní sociálnych sietí a pri analýze medicínskych obrazov, ako aj pri riešení konkrétnejších ako je riešenie problémov s inverznými zobrazeniami.

Tradične sú systémy hlbokého vzdelávania implementované na počítači, aby sa naučili reprezentáciu údajov a abstrakcie a vykonávali úlohy na rovnakej úrovni - alebo lepšie ako - výkon ľudí. Avšak tím vedený doktorom Aydoganom Ozcanom, profesorom profesora elektrického a počítačového inžinierstva na UCLA, nepoužil tradičné počítačové zariadenie, namiesto toho sa rozhodol zbaviť sa všetkých tých energeticky hladných elektrónov v prospech svetla vlny. Výsledkom bola architektúra úplného optického spektra Diffractive Deep Neural Network (D2NN).

Nastavenie používa 3D vytlačené priesvitné listy, každý s tisíckami vyvýšených pixelov, ktoré odrážajú svetlo cez každý panel, aby vykonali nastavené úlohy. Mimochodom, tieto úlohy sa vykonávajú bez použitia akéhokoľvek napájania, s výnimkou vstupného svetelného lúča.

Úplná neurónová sieť tímu UCLA, ktorá vyzerá ako odvaha solídnej zlato automobilovej batérie, doslova pracuje rýchlosťou svetla a nájde aplikácie v oblasti analýzy obrazu, detekcie funkcií a klasifikácie objektov. Výskumní pracovníci tímu tiež predpokladajú možnosti pre architektúry D2NN, ktoré vykonávajú špecializované úlohy v oblasti kamier. Možno, že vaša ďalšia jednotka DSLR môže identifikovať vaše subjekty za behu a umiestniť označený obrázok do vašej časovej osi Facebook.

"Použitie pasívnych komponentov, ktoré sú vyrobené vrstvou po vrstve, a prepojenie týchto vrstiev navzájom prostredníctvom difrakcie svetla vytvorilo jedinečnú všestrannú platformu na vykonávanie úloh strojového učenia rýchlosťou svetla, " povedal Dr. Ozcan.

Pre túto chvíľu však ide o dôkaz koncepcie, ale svieti na nejaké jedinečné príležitosti pre strojový priemysel.

Výskum bol publikovaný v časopise Science .

Zdroj: Ozcan Research Group

3D difrakčné dosky z optickej difrakčnej hlbokej neurónovej siete (D2NN) (kredit: Ozcan Research Group / UCLA)

3D difrakčné dosky z optickej difrakčnej hlbokej neurónovej siete (D2NN) (kredit: Ozcan Research Group / UCLA)

Vedci z UCLA vytvorili jedinečnú všestrannú platformu na vykonávanie úloh strojového učenia rýchlosťou svetla "(Credit: Ozcan Research Group / UCLA)

3D difrakčné dosky z optickej difrakčnej hlbokej neurónovej siete (D2NN) (kredit: Ozcan Research Group / UCLA)

D2NN bol vyškolený, aby rozpoznal rukou písané číslice (kredit: Ozcan Research Group / UCLA)

3D difrakčné dosky z optickej difrakčnej hlbokej neurónovej siete (D2NN) (kredit: Ozcan Research Group / UCLA)

3D-potlačené difrakčné dosky úplnej optickej difrakčnej hlbokej neurónovej siete (D2NN) (Credit: Ozcan Research Group / UCLA)