Neuroverkkoja optisesti ja kvanttihybridinä

11.11.2023

Munster-mukautuva-optinen-neuroverkko-350-t.jpgMünsterin yliopiston tutkijaryhmä on nyt kehittänyt tapahtumapohjaisen arkkitehtuurin, jossa käytetään fotoniprosessoreja, joilla dataa siirretään ja käsitellään valon avulla. Samalla tavalla kuin aivoissa tämä mahdollistaa neuroverkon sisäisten yhteyksien jatkuvan mukautumisen. Nämä muuttuvat yhteydet ovat oppimisprosessien perusta.

Tutkijaryhmä käytti työssään verkkoa, joka koostui lähes 8 400 optisesta neuronista, jotka oli valmistettu aaltoputkikytketystä faasimuutosmateriaalista ja ryhmä osoitti, että näistä aina kahden neuronin välinen yhteys voi todellakin vahvistua tai heiketä (synaptinen plastisuus) ja että uusia yhteyksiä voidaan muodostaa tai olemassa olevia voidaan poistaa (rakenneplastisuus).

Toisin kuin muissa vastaavissa tutkimuksissa, synapsit eivät olleet laitteistoelementtejä, vaan ne koodattiin optisten pulssien ominaisuuksien seurauksena – toisin sanoen vastaavan aallonpituuden ja optisen pulssin intensiteetin seurauksena. Tämä mahdollisti useiden tuhansien neuronien integroinnin yhdelle sirulle ja niiden yhdistämisen optisesti.

Perinteisiin elektronisiin prosessoreihin verrattuna valopohjaiset prosessorit tarjoavat huomattavasti suuremman kaistanleveyden, mikä mahdollistaa monimutkaisten laskentatehtävien suorittamisen pienemmällä energiankulutuksella.

Haihtumaton, faasimuutosmateriaali voidaan vaihtaa amorfisen rakenteen ja kiteisen rakenteen välillä, jossa on erittäin järjestynyt atomihila. Tämä ominaisuus mahdollistaa pysyvän datan tallentamisen myös ilman virtalähdettä.

Tutkijat testasivat neuroverkon suorituskykyä käyttämällä evoluutionaarista algoritmia kouluttaakseen sen erottamaan saksan ja englannin tekstit. Heidän käyttämänsä tunnistusparametri oli vokaalien määrä tekstissä.

Tehokkaiden kvanttineuroverkkojen rakentaminen on lupaava suunta tutkimukselle kvanttilaskennan ja koneoppimisen risteyksessä. Terra Quantum AG:n tiimi on suunnitellut rinnakkaisen hybridin kvanttineuroverkon ja osoitti, että heidän mallinsa on tehokas työkalu kvanttikoneoppimiseen.

Munster-mukautuva-optinen-HYBRID-kvanttineuroverkko-250.jpgHybridikvanttihermoverkot koostuvat tyypillisesti sekä kvanttikerroksesta - variaatiokvanttipiiristä - että klassisesta kerroksesta eli syväoppivasta neuroverkosta. Tämän erityisen arkkitehtuurin avulla ne voivat oppia monimutkaisiamalleja ja suhteita syötteistä helpommin kuin perinteiset koneoppimismenetelmät.

Tutkijat keskittyivät rinnakkaisiin hybridikvanttineuroverkkoihin. Tällaisissa verkoissa kvanttikerros ja klassinen kerros käsittelevät samaa syötettä samaan aikaan ja tuottavat sitten yhteisen ulostulon - molempien kerrosten tulosten lineaarisen yhdistelmän. Rinnakkaisverkko voisi välttää informaation pullonkaulan, joka usein vaikuttaa peräkkäisiin verkkoihin, joissa kvanttikerros ja klassinen kerros syöttävät dataa toisiinsa ja käsittelevät dataa vuorotellen.

Koulutustulokset osoittavat, että tekijöiden rinnakkaishybridiverkko voi ylittää joko kvanttikerroksensa tai klassisen kerroksensa. Hybridimalli, joka on koulutettu kahdelle jaksoittaiselle tietojoukolle, joihin on lisätty korkeataajuista kohinaa, osoittaa pienemmän harjoitushäviön, tuottaa parempia ennusteita ja sen on havaittu mukautuvan paremmin monimutkaisiin ongelmiin ja uusiin datajoukkoihin.

Aiheesta aiemmin:

Tehokkaampaa koulutusta tekoälylle

Tekoälyä monisensorisella integroidulla neuronilla

Nanolankaverkko oppii ja muistaa

12.07.2024Hyönteisistä inspiroidut liiketunnistin ja logiikka
08.07.2024Kvanttiannealaari parantaa ymmärrystä kvanttimonikehojärjestelmistä
05.07.2024Hyönteisten lennon salaperäinen mekaniikka
01.07.2024Eksitonit mahdollistavat erittäin ohuen linssin
28.06.2024Luontoa tarkkaillen
27.06.2024Uusi fysikaalinen ilmiö kahden erilaisen materiaalin rajapinnassa
20.06.2024Perovskiiteistä 1D-nanolankoja ja topologisia polaroneita
19.06.2024Täysin optinen fotonisiru tunnistaa ja käsittelee
19.06.2024Uusia toiveita sinkki-ilma akuille
17.06.2024Elektroneille viisikaistainen supervaltatie

Siirry arkistoon »