加州大学洛杉矶分校研究人员改进光学神经网络设计 光速识别对象/处理信息

据外媒报道，加州大学洛杉矶分校的工程师在光学神经网络的设计方面取得了重大进展，该网络可以以光速识别物体或处理信息。这一进展有助于开发智能相机系统，通过3D工程材料结构中的光模式识别可见物体。新设计利用了基于光学的计算系统的并行性和可扩展性，可用于自动驾驶汽车或机器人，帮助他们更快地做出决策。与需要额外时间来识别可见物体的基于计算机的系统相比，新设计消耗的能量更少。该系统使用一系列3D打印的晶片或不平整的表面层来透射或反射入射光。这些表面层有数千个像素，这些像素本质上是人工神经元，形成用于所有光计算的物质体。每个物体都有一个独特的光通道，通过3D制成的涂层。在这些表面后面是几个光电探测器，每个光电探测器都配置在计算机中，以便在大多数光穿过表面后，根据截止点推断输入对象的身份。例如，当训练系统识别手写数字时，当“5”的图像穿过这些表面时，光线将投射到检测器上，设计用于识别“5”时的检测器将看到大部分光线。加州大学洛杉矶分校的研究人员在该系统中添加了第二组探测器，显著提高了其准确性。每种物体类型都有两个探测器，目的是增加两个探测器之间的信号差异。直观地说，这类似于用左手和右手同时称量两块石头，这样更容易区分它们的重量是否相同。这种差分检测方案提高了光学神经网络对未知物体的预测精度。该研究的首席研究员、电气和计算机工程教授Aydogan Ozcan表示，该系统利用光和物质之间的相互作用，以及光在3D材料结构中的衍射，以光速执行机器学习任务，只需要光的照射和简单的检测电路。这一成就将使智能相机只能利用光子与光和物质之间的相互作用进行计算，从而使其速度极快，节能高效。研究人员测试了该系统的准确性，并使用了CIFAR-10图像数据集，包括手写数字服装、各种车辆和动物。结果表明，其图像识别准确率分别为98.6%、91.1%和51.4%。研究人员认为，所有光学系统都具有推理速度快、功耗低、可以并行识别更多物体的优点。

标签：

汽车资讯热门资讯