经典光学神经网络表现出“量子加速”

近年来，人工智能技术，尤其是机器学习算法，取得了长足的进步。这些技术在图像识别、自然语言生成和处理以及物体检测等任务中实现了前所未有的效率，但这种出色的功能需要大量的计算能力作为基础。

目前的计算资源已接近极限，因此有效降低机器学习模型的训练成本，提高其训练效率是研究领域的一个重要课题。

为了解决这个问题，在光学神经网络和量子神经网络两个研究方向上做出了巨大的努力。光学神经网络利用先进的光学操作方法在经典的光学信息处理中执行机器学习算法。它们具有低能耗、低串扰和低传输延迟等独特优势。然而，目前的光学神经网络并没有表现出算法加速，比如更快的模型收敛速度。

量子神经网络是基于量子计算理论的神经网络算法。最近的研究表明，由于量子相关性，量子神经网络可以证明算法加速。然而，由于技术上的限制，目前这种神经网络算法很难在硬件上大规模执行，这使得它们在目前人们面临的实际问题中的应用具有挑战性。

在发表在《光：科学与应用》上的一篇新论文中，由教育部先进光电量子结构与测量重点实验室的张向东教授领导的科学家团队;中国北京理工大学物理学院纳米光子学和超精细光电系统北京重点实验室及其同事开发了一种新型的光学神经网络，可以展示量子神经网络的加速模拟。

由于引入了经典光学相关性作为信息载体，因此出现了这种有趣的特性。事实上，通过使用这种载体，人们可以模仿量子计算实现的信息处理方式，这已被研究人员的早期工作所证明。

基于这一特性，研究人员开发了相关光学状态的卷积和池化运算，建立了相关光学卷积神经网络。该光学神经网络与量子卷积神经网络具有一对一的对应关系。它显示了学习某些数据集的训练过程的加速，并可用于识别特定编码原理下的量子态特征。

所报道的方法和技术将为实现算法增强的光学神经网络开辟新的途径，这将有利于大数据时代的信息处理。

相关光学卷积神经网络的基本结构包括四个部分：相关光源、卷积、池化和检测。相关光学态的核心处理由卷积和池化部分完成。与经典的卷积神经网络不同，相关卷积光学神经网络中的这两个部分操纵光学状态的相关性，并通过合并光束生成更简单的相关状态。

相关链接：https://phys.org/news/2024-04-classical-optical-neural-network-quantum.html

论文链接：https://dx.doi.org/10.1038/s41377-024-01376-7