人工知能：光ニューラルネットワークの完全フォワードモード訓練

光コンピューティングにより、機械学習アプリケーションのスピードとエネルギー効率の向上が期待できる。しかし、こうしたモデルを効率的に訓練する現在の手法は、デジタル計算機上でのin silicoエミュレーションにより制限されている。今回我々は、計算集約的な訓練過程を物理系上で実行する、完全フォワードモード（FFM：Fully forward mode）学習と呼ぶ手法を開発した。これにより、機械学習オペレーションの大部分が現場で効率的に並列実行され、数値モデル化の制約が緩和される。我々は、自由空間と集積フォトニクスにおいて、所与のネットワークサイズに対して最先端の性能を持つ光システムを実験的に実証した。FFM学習によって、何百万個ものパラメーターを持つ最も層の深い光ニューラルネットワークの訓練で理想的なモデルと同等の精度が達成されることが示された。FFM学習は、散乱媒質を通した全光集束を回折限界の解像度で支援し、また、直接の視線から外れて隠れた対象を、キロヘルツを上回るフレームレートで並列に画像化でき、室温でピクセル当たり1光子以下という弱い光強度で全光学的処理を行うことができる（5.40 × 10¹⁸ OPS/Wのエネルギー効率）。我々はさらに、FFM学習が、解析モデルなしで非エルミート例外点を自動的に探索できることを証明した。FFM学習は、学習過程の桁違いの高速化を促すだけでなく、ディープニューラルネットワーク、超高感度知覚、トポロジカルフォトニクスなどの応用分野や理論分野を発展させることができる。

目次へ戻る