机器学习领域发展最快的一环,深度学习(Deep learning)为我们带来许多技术进步,不论图像分析、语音辨识或语言翻译都有成功应用,但许多人都相信深度学习的潜力不仅于此。加州大学洛杉矶分校(UCLA)的研究团队近日便介绍一种从物理机制改变深度学习的特殊概念,未来或有望让相关应用更进一步发展。
由 UCLA 电脑工程教授 Aydogan Ozcan 带领的团队舍弃了传统使用的电脑设备,反而选择运用全光学物理机制来建立神经网络架构,这个概念团队称为“全光学绕射深度神经网络”(all-optical Diffractive Deep Neural Network, D2NN)。
以现今情况来说,由于深度学习是在电脑运行的系统,不论图像识别或文字辨识,应用的设备都必须配合镜头或光学感测器来辨识物体,为了让电脑理解,这些看见的内容还得整理成数据给电脑读取,接着系统还得透过数据表示方法及抽象化(Abstraction)搞懂内容后才能执行任务。
相较之下,运用全光学的 D2NN 不需要额外的高级计算机程序来处理目标图像,或是判断光学感测器捕捉到的内容究竟是什么,而也因只需仰赖光学绕射运作,D2NN 并不需要任何额外耗能便可执行任务。
从外观看起来,D2NN 是由数个 8 平方公分大小的晶圆组成,每个运用 3D 打印制作的半透明晶圆上都有数万个凸起像素,透过每个晶圆复杂的像素组合将光线偏折,D2NN 能执行图像分析、特征检测和对象分类等应用──当然,是以货真价实的“光速”在执行任务。
如果用领导研究的 Ozcan 教授的话来解释,D2NN 就是“逐层制造的被动元件透过光学绕射互相连结,创造出独特全光学平台,能够运用光速执行机器学习任务。”
透过使用兆赫兹频率的光源实际测试 3D 打印出的设计,团队在手写数字、时尚产品的图像分类证实了这套系统的可行性,团队相信 D2NN 未来有望协助开发出全新应用概念的相机,以及可学习特定任务的光学元件。
由于 D2NN 的组件都可用 3D 打印生产,未来晶圆大小与层数都还能再往上提升,而这些更大的系统也可用来处理更复杂的数据及图像分析,同时成本还非常便宜──根据 UCLA 报导指出,研究团队创造的 D2NN 设备只需不到 50 美元就能复制。
虽然以目前来说,D2NN 还只是一种概念证明,但这确实替机器学习未来的应用开创了独特机会,研究论文已经刊登在《科学》(Science)期刊。
- 3D-printed artificial intelligence running at the speed of light—from object classification to optical component design
- 3D-printed Deep Learning neural network uses light instead of electrons
(图片来源:Ozcan Research Group/UCLA)