Popular science work
德國馬克斯·普朗克光科學(xué)研究所與美國麻省理工學(xué)院研究人員合作，通過向光子機(jī)器學(xué)習(xí)添加聲波維度，成功地為可重構(gòu)神經(jīng)形態(tài)模塊奠定了基礎(chǔ)。此次成果對(duì)生成式人工智能（AI）高效解釋上下文語義信息至關(guān)重要。研究成果17日發(fā)表在美國科學(xué)促進(jìn)會(huì)網(wǎng)站上。
ChatGPT等語言模型能創(chuàng)建出表達(dá)自然的文本，并以結(jié)構(gòu)化方式總結(jié)段落。但缺點(diǎn)是，實(shí)現(xiàn)這一點(diǎn)需要巨大的能源支撐。這也意味著，隨著它們飛速發(fā)展，這些智能設(shè)備必須要有新的解決方案來加速信號(hào)處理并降低能耗。
神經(jīng)網(wǎng)絡(luò)被認(rèn)為有潛力成為AI的支柱。將它們構(gòu)建為基于光而不是電信號(hào)的光學(xué)神經(jīng)網(wǎng)絡(luò)，就能高速且高效地處理大量數(shù)據(jù)。然而，迄今為止，許多實(shí)現(xiàn)光學(xué)神經(jīng)網(wǎng)絡(luò)的實(shí)驗(yàn)方法都依賴于固定組件和穩(wěn)定設(shè)備。
研究團(tuán)隊(duì)此次找到一種基于聲波構(gòu)建可重構(gòu)模塊的方法，用于光子機(jī)器學(xué)習(xí)。該研究的關(guān)鍵是光驅(qū)動(dòng)產(chǎn)生的行進(jìn)聲波，其可操縱光學(xué)神經(jīng)網(wǎng)絡(luò)的后續(xù)計(jì)算步驟。比起光信息流，聲波的傳輸時(shí)間要長得多，因此，它們?cè)诠饫w中保留的時(shí)間更長，并且可依次鏈接到每個(gè)后續(xù)處理步驟。
該團(tuán)隊(duì)用實(shí)驗(yàn)演示了第一個(gè)構(gòu)建模塊——循環(huán)算子，這是循環(huán)神經(jīng)網(wǎng)絡(luò)領(lǐng)域廣泛使用的技術(shù)。它允許鏈接一系列計(jì)算步驟，并可為執(zhí)行的每個(gè)計(jì)算步驟提供上下文。
光聲循環(huán)算子利用光波導(dǎo)的固有特性，無需人工儲(chǔ)層或新制造結(jié)構(gòu)，現(xiàn)已被用來區(qū)分多達(dá)27種不同的模式，展示了其在節(jié)能的同時(shí)，高效處理上下文的能力。
