1712086923
2024-04-02 19:07:12
この記事は Science X に従ってレビューされています。 編集プロセス
そして ポリシー。
編集者 は、コンテンツの信頼性を確保しながら、次の属性を強調しました。
事実確認済み
査読済みの出版物
校正する
わかりました！ クレジット: Light: Science & Applications (2024)。 DOI: 10.1038/s41377-024-01376-7
×閉じる
クレジット: Light: Science & Applications (2024)。 DOI: 10.1038/s41377-024-01376-7
近年、人工知能技術、特に機械学習アルゴリズムは大きな進歩を遂げています。 これらのテクノロジーにより、画像認識、自然言語の生成と処理、物体検出などのタスクにおいてこれまでにない効率化が可能になりましたが、このような優れた機能を実現するには基盤としてかなりの計算能力が必要です。
現在 計算リソース の限界に近づきつつあるため、機械学習モデルのトレーニングコストを効果的に削減し、トレーニング効率を向上させることが研究分野における重要な課題となっています。
この問題に対処するために、2 つの研究方向で多大な努力が払われてきました。 ニューラルネットワーク そして量子ニューラルネットワーク。 光ニューラル ネットワークは、高度な光操作手法を利用して、古典的な光情報処理における機械学習アルゴリズムを実行します。 低エネルギー消費、低クロストーク、低伝送遅延などの独自の利点があります。 ただし、現在の光ニューラル ネットワークは、モデルの収束速度の向上など、アルゴリズムによる高速化を実現していません。
量子ニューラル ネットワークは、以下に基づくニューラル ネットワーク アルゴリズムです。 量子コンピューティング 理論。 最近の研究では、量子相関により、量子ニューラル ネットワークがアルゴリズムの加速を実証できることが示されました。 しかし、技術的な限界により、このようなニューラル ネットワーク アルゴリズムをハードウェア上で大規模に実行することは現時点では困難であり、現在人々が直面している実際的な問題への応用は困難となっています。
新しい論文で 出版された in Light: Science & Applications は、教育省の高度な光電子量子アーキテクチャおよび測定の主要研究所の Xiangdong Zhang 教授が率いる科学者チームです。 中国の北京工業大学物理学部のナノフォトニクスおよび超微細光電子システムの北京重点実験室とその共同研究者らは、量子ニューラルネットワークと同様の高速化を示すことができる新しいタイプの光ニューラルネットワークを開発した。
この興味深い特性は、情報の伝達手段として古典的な光学相関を導入することによって現れます。 実際、そのような種類のキャリアを使用することで、量子コンピューティングによって可能になる情報処理の方法を模倣することができます。これは、研究者らの以前の研究によって証明されています。
この特性に基づいて、研究者らは相関光学状態の畳み込みおよびプーリング演算を開発し、相関光学畳み込みニューラル ネットワークを確立しました。 この光ニューラル ネットワークは、量子畳み込みニューラル ネットワークと 1 対 1 に対応します。 これは、特定のデータセットの学習におけるトレーニング プロセスの高速化を示しており、特定の符号化原理の下で量子状態の特性を識別するために適用できます。
報告された方法と技術は、アルゴリズム的に強化された光ニューラル ネットワークを実現するための新しい道を開き、ビッグデータ時代の情報処理に利益をもたらします。
相関光畳み込みニューラル ネットワークの基本構造には、相関光源、畳み込み、プーリング、検出の 4 つの部分が含まれます。 相関した光学状態の核となる処理は、畳み込みとプーリング部分によって行われます。 古典的な畳み込みニューラル ネットワークとは異なり、相関畳み込み光ニューラル ネットワークのこれら 2 つの部分は、光状態の相関を操作し、ビームを結合することによってより単純な相関状態を生成します。
「これら 2 つの部分は、実際には量子畳み込みニューラル ネットワークの量子ゲートに似た操作を実行します」と科学者らは述べています。 「私たちのネットワークの畳み込み部分は、相関する光状態に対する単一演算で構成されています。
「これは、量子ビットのヒルベルト空間に対するユニタリ演算のようなものです。私たちが考えるプーリングの部分は、サブヒルベルト空間を取得するために部分的な量子ビットを測定することに相当します。そのような部分は、データの次元の指数関数的な減少につながります。したがって、 2 つの部分の関数は、特定のデータセットを学習する際の損失関数のより高速な収束に貢献します。
「さらに、量子状態のトポロジカル位相の同定を実行することにより、相関光畳み込みニューラル ネットワークと量子畳み込みニューラル ネットワークの類似性も証明します。この証明は、理論的結果と実験的結果の両方によって裏付けられています。」
「この結果は、量子ニューラルネットワークの特性がより手頃な方法で実現できることも示しています」と彼らは付け加えた。
「量子ニューラルネットワークには潜在的な利点があるにもかかわらず、実際に実装するには、多くのマルチ量子ビットゲートと複雑な測定を備えた深い量子回路が必要です。これには、回路を安定させ、エラーを修正するために多大なリソースが必要ですが、避けられない環境擾乱により技術的に困難です。
「潜在的により良い代替案は、量子論と同じ数学で記述され、環境による影響が少ないシステムを見つけることです。提案された相関光ニューラル ネットワークは、要素の配置が簡単で低コストであることが証明されているように、そのようなシステムの一例として機能します。実験の状況に関する要件。
「データの急激な増加と高品質な計算のためのリソースの不足を考慮すると、私たちのアプローチは、さまざまなデータサイエンス研究分野に広く応用できる、費用対効果の高い高性能ソリューションを提供します。」
詳しくは：
Yifan Sun 他、「量子高速化」を備えた相関光畳み込みニューラル ネットワーク、Light: Science & Applications (2024)。 DOI: 10.1038/s41377-024-01376-7
雑誌情報:
光: 科学と応用
#古典的な光ニューラルネットワークは量子高速化を示す