突破傳統理解,UCLA 開發出全光學繞射神經網路

作者 | 發布日期 2018 年 08 月 03 日 12:00 | 分類 3D列印 , AI 人工智慧 , 光電科技 follow us in feedly

機器學習領域發展最快的一環,深度學習(Deep learning)為我們帶來許多技術進步,不論圖像分析、語音辨識或語言翻譯都有成功應用,但許多人都相信深度學習的潛力不僅於此。加州大學洛杉磯分校(UCLA)的研究團隊近日便介紹一種從物理機制改變深度學習的特殊概念,未來或有望讓相關應用更進一步發展。



由 UCLA 電腦工程教授 Aydogan Ozcan 帶領的團隊捨棄了傳統使用的電腦設備,反而選擇運用全光學物理機制來建立神經網路架構,這個概念團隊稱為「全光學繞射深度神經網路」(all-optical Diffractive Deep Neural Network, D2NN)。

以現今情況來說,由於深度學習是在電腦運行的系統,不論圖像識別或文字辨識,應用的設備都必須配合鏡頭或光學感測器來辨識物體,為了讓電腦理解,這些看見的內容還得整理成數據給電腦讀取,接著系統還得透過數據表示方法及抽象化(Abstraction)搞懂內容後才能執行任務。

相較之下,運用全光學的 D2NN 不需要額外的高級電腦程式來處理目標圖像,或是判斷光學感測器捕捉到的內容究竟是什麼,而也因只需仰賴光學繞射運作,D2NN 並不需要任何額外耗能便可執行任務。

從外觀看起來,D2NN 是由數個 8 平方公分大小的晶圓組成,每個運用 3D 列印製作的半透明晶圓上都有數萬個凸起像素,透過每個晶圓複雜的像素組合將光線偏折,D2NN 能執行圖像分析、特徵檢測和對象分類等應用──當然,是以貨真價實的「光速」在執行任務。

如果用領導研究的 Ozcan 教授的話來解釋,D2NN 就是「逐層製造的被動元件透過光學繞射互相連結,創造出獨特全光學平台,能夠運用光速執行機器學習任務。」

透過使用兆赫茲頻率的光源實際測試 3D 列印出的設計,團隊在手寫數字、時尚產品的圖像分類證實了這套系統的可行性,團隊相信 D2NN 未來有望協助開發出全新應用概念的相機,以及可學習特定任務的光學元件。

由於 D2NN 的組件都可用 3D 列印生產,未來晶圓大小與層數都還能再往上提升,而這些更大的系統也可用來處理更複雜的數據及圖像分析,同時成本還非常便宜──根據 UCLA 報導指出,研究團隊創造的 D2NN 設備只需不到 50 美元就能複製。

雖然以目前來說,D2NN 還只是一種概念證明,但這確實替機器學習未來的應用開創了獨特機會,研究論文已經刊登在《科學》(Science)期刊。

(圖片來源:Ozcan Research Group/UCLA