几乎零能耗零延迟！UCLA科学家发明光衍射神经网络，登上Science

夏乙 发自 凹非寺
量子位 报道 | 公众号 QbitAI

深度学习，现在已经成立几乎每一个图像识别、语音识别、机器翻译系统的标配组件，而它的缺点也一直在被各界人士吐槽：

不够快，太耗能，不可解释……

加州大学洛杉矶分校（UCLA）的一组科学家们，就要从另一个角度，来解决不够快和能耗高的问题。

UCLA电子工程系教授Aydogan Ozcan带着自己的团队，把神经网络从芯片上搬到了现实世界中，依靠光的传播，实现几乎零能耗、零延迟的深度学习。

这个解决方案叫做D²NN：衍射深度神经网络（Diffractive Deep Neural Network）。它是光学工具、3D打印和神经网络的结合。

他们的成果，登上了Science。

这个系统有着传统神经网络无法匹敌的优点：一是更快，在D²NN里，信息传递的速度，等于光速；二是能耗接近于0：除了最开始要提供一个光源之外，就不再需要耗电了。

D²NN由多个衍射层构成，一层上的每一个点都相当于神经网络的一个神经元。它的训练方式和深度学习一样，只不过得到的不是神经元的权重，而是神经元的透光/反射系数。

训练完成，得到D²NN的最终设计，就到了制造阶段。这些衍射层会被3D打印出来，在它学会的任务上做推断。

在推断过程中，在这个神经网络中传递的并不是人类可见的光，而是0.4太赫兹频率的单色光。Ozcan将D²NN比作用光来连接神经元、传递信息的实体大脑。

Ozcan团队在这项研究中，制造了不同类型的D²NN，有用来给图像分类的（上图B），有用来成像的（上图C）。

一个D²NN设计出来、打印完成后，还可以继续优化。

比如说，科学家们针对MNIST手写数字识别任务，训练了一个5层的D²NN，每一层的尺寸是8cm×8cm，达到了91.75%的准确率。

然后，他们又为这个D²NN加了两层，来优化性能。于是，这个7层网络在MNIST上的分类准确率达到了93.39%。

在比MNIST稍微复杂一些的基准数据集Fashion-MNIST上，5层的D²NN最高实现了86.33%的准确率。

当然，D²NN现在还只能算是个婴儿，和卷积神经网络现在动辄99%的准确率没法比。

接下来，Ozcan团队还打算制造尺寸更大、层数更多的D²NN。

说不定有一天，这种新型的神经网络强大起来，我们会对不需耗电就能识别人脸的摄像头习以为常。

论文在此：

http://innovate.ee.ucla.edu/wp-content/uploads/2018/07/2018-optical-ml-neural-network.pdf

— 完 —

加入社群

量子位AI社群18群开始招募啦，欢迎对AI感兴趣的同学，加小助手微信qbitbot8入群；

此外，量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募，面向正在从事相关领域的工程师及研究人员。

进群请加小助手微信号qbitbot8，并务必备注相应群的关键词~通过审核后我们将邀请进群。（专业群审核较严，敬请谅解）

实习生招聘

量子位正在招募活动运营实习生，策划执行AI明星公司CEO、高管等参与的线上/线下活动，有机会与AI行业大牛直接交流。工作地点在北京中关村。简历欢迎投递到quxin@qbitai.com

具体细节，请在量子位公众号(QbitAI)对话界面，回复“实习生”三个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态