3D打印造出人工神经网络,UCLA团队实现全光学机器学习
如果你想开发出一种超高速物体识别系统,比如检测导弹或者路上的正在跑的汽车的话,那只用一个连着数码相机的计算机是远远不够的。加州大学洛杉矶分校的电气工程师 Aydogan Ozcan 希望改变这种情况,所以他的研究团队同时使用了机器学习技术、光学工具和 3D 打印技术,开发出了可高速识别物体的识别系统。不像普通的计算机,这种系统不需要提供外接电源,只需要提供初始光源和一个简单的探测器即可。 研究团队首先提出了一种全光学的深度学习框架——衍射深度神经网络(Diffractive Deep Neural Network,D2NN),该架构采用基于深度学习算法的无源衍射层(passive diffractive layers)设计,经误差反向传播法(error back-propagation method)训练后,能够以接近光速的高速处理能力,实现多种机器学习的复杂功能。团队最后采用 3D 打印制造出了这种光学架构,实现了手写数字和时尚产品的图像分类。该成果已经发表于《Science》杂志上。 图丨论文:All-optical machine learning using diffractive deep neural networks(利用衍射深度神经网络的全光机器学习) “构建由光学元件堆叠成的固态人工神经网络是一种非常有创新性的方法,”瑞士洛桑联邦理工学院光学与电气工程学院教授 Demetri Psaltis 表示。 蒙特利尔大学研究机器学习和神经网络的 Roland Memisevic 和 Yoshua Bengio 团队的研究生 Olexa Bilaniuk 指出,这一成果新颖之处不在深度学习部分,而是光学工程部分和使用 3D 打印“人工神经网络”的能力。“以前构建这样一个光学网络的工作要么仅仅停留在理论上,要么也只能构建一个又小有简单的系统,”他补充道。 图丨Aydogan Ozcan Ozcan 团队希望使用该系统来模仿各种动物的眼睛,这些动物的眼睛处理光线和图像的方式与人眼不同。如果在光学显微镜中使用的是较短波长的光的话,这一系统也可以用于显微镜应用和医学成像。 为了建立他们的物体识别系统,Ozcan 和他的同事们首先使用了深度学习的方法。目前深度学习常用于模式识别领域,给定音频或视觉数据,计算机可以应用深度学习技术训练学习识别特定的模式,然后,利用算法习得的某些规则,来对新数据进行预测。 在该研究中,研究人员训练其光学网络模型来识别不同的数据类型的数据,包括从 0 到 9 的手写数字识别和各种服装的图像的识别。在每种情况下,计算机都创建了一个模型,该模型由多个像素层组成。每个像素都可以传输光,像素之间光的连接表示某一神经元与本层或相邻层中的其他神经元的连接。 对于上述提到的两种数据类别,研究人员使用五层 3D 打印塑料对仿真模型进行物理再现,然后使用激光——一种 0.4 THz 的单色光而非可见光来处理每种类型的图像。 |