![](https://pchome.megatime.com.tw/img/ajax-loader.gif)
來自馬克斯普朗克光科學研究所的Clara Wanjura和Florian Marquardt博士提出了一種利用光學系統實現神經網路的新方法,使機器學習在未來能夠更簡化、永續。
編譯/高晟鈞
來自馬克斯普朗克光科學研究所的Clara Wanjura和Florian Marquardt博士提出了一種利用光學系統實現神經網路的新方法,使機器學習在未來能夠更簡化、永續。
自ChatGPT推出已經接近兩年時間不到,卻已經大幅改變了現今人們的生活,AI人工智慧與機器學習變得愈來愈廣泛,應用範圍囊括了電腦視覺、文字生成和醫療保健等等,但隨著任務越來越複雜,也需要更大規模的神經網路來支撐其演算。
更多新聞:卷積全光學神經網路 AI成像的革命性進步
然而,隨之而來的能源消耗與訓練時間也呈指數級增長。據估計,訓練GPT-3所消耗的能量超過了每小時1000兆瓦,相當於一個鎮每天電能的消耗量。因此如何開發更節能、更具成本效益的實體神經網路,以取代數位電腦上的神經網路,便是科學家努力的目標。
光學神經型態計算因為能耗可以保持在最低限度,同時以非常高的速度執行計算,而被認為具有巨大的潛力。然而到目前為止,光子平台仍存在兩個巨大挑戰:實現複雜數學計算所需要的高功率雷射,以及訓練此類物理神經網路的通用模式。
對此,研究團隊改變了光傳輸的方法來調整資料的輸入。這種方法的好處是,即使光場本身以最簡單的方式表現,波發生了干涉也不會相互影響,這使得研究團隊可以避免複雜物理作用所需要的高功率光場。
因此,評估和訓練物理神經網路將變得非常簡單。作者也證明了使用這種方法來執行影像分類任務,其精確度與數位神經網路相同。這為了物理神經型態系統開闢了新的可能性,允許在廣泛的平台上進行訓練。
資料來源:Phys.org
這篇文章 更永續的機器學習 利用光學系統簡化神經網路 最早出現於 科技島-掌握科技新聞、科技職場最新資訊。
![]() |
系統合作: 精誠資訊股份有限公司 資訊提供: 精誠資訊股份有限公司 資料來源: 台灣證券交易所, 櫃買中心, 台灣期貨交易所 |