Poslednjih godina, tehnologije veštačke inteligencije, posebno algoritmi mašinskog učenja, napravili su veliki napredak. Ove tehnologije su omogućile neviđenu efikasnost u zadacima kao što su prepoznavanje slika, generisanje i obrada prirodnog jezika i detekcija objekata, ali takva izvanredna funkcionalnost zahteva značajnu računarsku snagu kao osnovu.
Trenutni računarski resursi se približavaju svom limitu, tako da je efikasno smanjenje troškova obuke modela mašinskog učenja i poboljšanje njihove efikasnosti obuke važno pitanje u oblasti istraživanja.
Da bi se ovo pitanje rešilo, uloženi su veliki napori u dva istraživačka pravca: optičke neuronske mreže i kvantne neuronske mreže. Optičke neuronske mreže koriste napredne metode optičke manipulacije za izvršavanje algoritama mašinskog učenja u klasičnoj optičkoj obradi informacija. Imaju jedinstvene prednosti kao što su niska potrošnja energije, malo preslušavanja i nisko kašnjenje u prenosu. Međutim, trenutne optičke neuronske mreže ne pokazuju algoritamsko ubrzanje, kao što je veća brzina konvergencije modela.
Kvantne neuronske mreže su algoritmi neuronske mreže zasnovani na teoriji kvantnog računarstva. Nedavna istraživanja su pokazala da kvantne neuronske mreže mogu pokazati algoritamsko ubrzanje zbog kvantnih korelacija. Međutim, zbog tehničkih ograničenja, trenutno je teško izvršiti takve algoritme neuronske mreže na hardveru u velikim razmerama, što ih čini izazovnim za njihovu primenu u praktičnim problemima sa kojima se ljudi trenutno suočavaju.
U novom radu objavljenom u časopisu Svetlost: Nauka i aplikacije, tim naučnika, predvođen profesorom Ksiangdong Zhangom, iz Ključne laboratorije za naprednu optoelektronsku kvantnu arhitekturu i merenja Ministarstva prosvete; Pekinška ključna laboratorija za nanofotoniku i ultrafine optoelektronske sisteme, Fakultet fizike, Pekinški institut za tehnologiju, Kina, i saradnici su razvili novi tip optičke neuronske mreže koja može pokazati ubrzani analog kvantnoj neuronskoj mreži.
Ovo zanimljivo svojstvo nastaje usled uvođenja klasičnih optičkih korelacija kao nosioca informacije. U stvari, korišćenjem takve vrste nosača može se oponašati način obrade informacija omogućen kvantnim računarstvom, što je dokazano ranijim radom istraživača.
Na osnovu svojstva, istraživači su razvili operaciju konvolucije i udruživanja na koreliranom optičkom stanju i uspostavili korelisanu optičku konvolucionu neuronsku mrežu. Ova optička neuronska mreža ima korespondenciju jedan-na-jedan sa kvantnom konvolucionom neuronskom mrežom. Pokazuje ubrzanje procesa obuke za učenje određenih skupova podataka i može se primeniti za identifikaciju karaktera kvantnih stanja pod određenim principom kodiranja.
Navedeni metod i tehnika će otvoriti nove puteve za realizaciju algoritamski poboljšanih optičkih neuronskih mreža, koje će koristiti obradi informacija u eri velikih podataka.
Osnovna struktura korelirane optičke konvolucione neuronske mreže uključuje četiri dela: korelirani izvor svetlosti, konvoluciju, objedinjavanje i detekcije. Obrada jezgra koreliranog optičkog stanja se vrši pomoću konvolucije i dela za udruživanje. Za razliku od klasičnih konvolucionih neuronskih mreža, ova dva dela u koreliranoj konvolucionoj optičkoj neuronskoj mreži manipulišu korelacijom optičkih stanja i generišu jednostavnija korelirana stanja spajanjem snopova.
„Ova dva dela zapravo obavljaju operacije analogne kvantnim kapijama u kvantnim konvolucionim neuronskim mrežama“, rekli su naučnici. „Deo konvolucije u našoj mreži sastoji se od unitarnih operacija na koreliranom optičkom stanju.
„To je poput unitarnih operacija na Hilbertovom prostoru kubita. Deo udruživanja koji razmatramo je ekvivalentan merenju delimičnih kubita za dobijanje pod-Hilbertovog prostora. Takav deo dovodi do eksponencijalnog smanjenja dimenzije podataka. Dakle, funkcija dva dela doprinosi bržoj konvergenciji funkcije gubitka pri učenju određenih skupova podataka.
„Osim toga, takođe potvrđujemo sličnost naše korelirane optičke konvolucione neuronske mreže sa kvantnom konvolucionom neuronskom mrežom tako što vršimo identifikaciju topološke faze kvantnih stanja. Sertifikacija je podržana i teorijskim i eksperimentalnim rezultatima.
„Rezultati takođe ukazuju da se svojstva kvantne neuronske mreže mogu ostvariti na pristupačniji način“, dodaju oni.
„Uprkos potencijalnim prednostima kvantnih neuronskih mreža, njihova implementacija praktično zahteva duboka kvantna kola sa mnogo višekubitnih kapija i komplikovanim merenjima. Ovo zahteva značajne resurse za stabilizaciju kola i ispravljanje grešaka, što je tehnički izazov zbog neizbežnih poremećaja životne sredine.
„Potencijalno bolja alternativa je pronaći sistem koji opisuje ista matematika kao kvantna teorija i manje prekida okruženje. Predložene korelisane optičke neuronske mreže služe kao primer takvog sistema, o čemu svedoči jednostavnost rasporeda elemenata i niska zahtevi za okolnosti u našim eksperimentima.
„S obzirom na eksponencijalni rast podataka i oskudicu resursa za visokokvalitetno izračunavanje, naš pristup predstavlja isplativo rešenje visokih performansi koje bi moglo imati široku primenu u različitim istraživačkim oblastima nauke o podacima.“
