NTT和東京大學設計了一種受大腦信息處理啟發(fā)的新學習算法，適用于使用模擬操作的多層人工神經(jīng)網(wǎng)絡(DNN)。

　　NTT Corp.和東京大學設計了一種受大腦信息處理啟發(fā)的新學習算法，適用于使用模擬操作的多層人工神經(jīng)網(wǎng)絡(DNN)。這一突破將減少AI的功耗和計算時間。這一發(fā)展的結(jié)果發(fā)表在英國科學雜志上自然通訊.

　　研究人員通過將算法應用于使用光學模擬計算的 DNN，實現(xiàn)了世界上第一個高效執(zhí)行的光學 DNN 學習的演示，有望實現(xiàn)高速、低功耗的機器學習設備。此外，他們還實現(xiàn)了世界上使用模擬操作的多層人工神經(jīng)網(wǎng)絡的最高性能。

　　過去，高負載學習計算是通過數(shù)字計算進行的，但這一結(jié)果證明，通過使用模擬計算可以提高學習部分的效率。在深度神經(jīng)網(wǎng)絡(DNN)技術中，一種稱為深儲層計算的遞歸神經(jīng)網(wǎng)絡是通過假設光脈沖作為神經(jīng)元，非線性光環(huán)作為具有遞歸連接的神經(jīng)網(wǎng)絡來計算的。通過將輸出信號重新輸入到同一光電路，人為地加深了網(wǎng)絡。

　　DNN 技術支持先進的人工智能 (AI)，例如機器翻譯、自動駕駛和機器人技術。目前，所需的功率和計算時間正在以超過數(shù)字計算機性能增長的速度增長。使用模擬信號計算(模擬操作)的DNN技術有望成為一種實現(xiàn)類似于大腦神經(jīng)網(wǎng)絡的高效高速計算的方法。NTT 和東京大學之間的合作開發(fā)了一種適用于模擬操作 DNN 的新算法，該算法不假設理解 DNN 中包含的學習參數(shù)。

　　該方法通過基于網(wǎng)絡最后一層的學習參數(shù)和期望輸出信號(誤差信號)誤差的非線性隨機變換來學習。這種計算使得在光學電路等事物中實現(xiàn)模擬計算變得更加容易。它不僅可以用作物理實現(xiàn)的模型，還可以用作機器翻譯和各種 AI 模型(包括 DNN 模型)等應用程序的尖端模型。這項研究有望有助于解決與AI計算相關的新問題，包括功耗和增加的計算時間。

　　除了考察本文提出的方法對具體問題的適用性外，NTT還將促進光硬件的大規(guī)模和小規(guī)模集成，旨在為未來的光網(wǎng)絡建立一個高速、低功耗的光計算平臺。