圖、UCLA researchers have "created a unique all-optical platform to perform machine learning tasks at the speed of
light"(Credit: Ozcan Research Group/UCLA)
美國加州大學在 Science 發表了光運算的神經網路，通過光繞射的方法執行神經網路運算。
深度學習(Deep Learning)是Rina Dechter在1986年所發表的，它是目前機器學習領域發展最快的方法之一，這一個技術常常用於臉部/語音/音頻辨識、語言處理、社交網路分析與醫學圖像分析等。深度學習為電腦運行的系統，通過感測器接收外部的影像、聲音訊號，再將讀取的資訊轉換為電腦可識別的內容，再經過數據化與抽象化讓電腦理解內容後，方能執行識別的任務。
ULCA研究團隊提出的全光學繞射神經網路系統概念，在識別機制上捨棄了電腦程式做為虛擬神經元，改選用光學物理機制實現神經網路架構，利用虛擬神經元像素與透射光和反射光的交互作用，模擬生物系統的感覺辨別外部得資訊，研究人員將此機制將之稱為繞射深度學習神經網路(Diffractive Deep Neural Network, D2NN)。此系統採用 Google 的 TensorFlow 做為機器學習的框架，利用光波的相干特性，讓輸入的資訊在輸入平面上實現相位或振幅編碼，連續間隔的數個平面則是用以實現角頻譜演算法(Angular Spectrum Method)，設計出全光學繞射神經網路系統。
在硬體的製作上，研究人員利用3D 列印機作出半透明板，其上具有數萬個凸起的像素，光線在數個半透明板上的像素上偏折與相互影響等物理特性，完成對於物體的辨識。團隊透過使用兆赫茲頻率的光源分類手寫數字與時尚產品的圖像，測試繞射深度學習神經網路系統的性能。在手寫數字識別上，此系統能夠 91.75% 的精準度判識出手寫 55,000 張圖中數字；在時尚產品的分類上，在完成訓練後當遇到新的時尚產品物件時，此系統的自動影像分類準確度可達到 81.13% 以上。因此，研究人員確信全光學繞射神經網路系統有助於未來圖像分析、特徵檢測和對象分類等應用。
雖然全光學繞射深度學習系統僅完成了概念驗證，但利用光學物理機制實現深度學習的方法開開創一條未來發展新式機器學習的研究道路，將有機會發展出更節能、高效的機器學習的工具與應用。(742字；圖1)
參考資料：
A neural network that operates at the speed of light. TechXplore，2018/7/27
All-optical machine learning using diffractive deep neural networks. Science，2018/7/26
3D-printed Deep Learning neural network uses light instead of electrons. NewAtlas，2018/8/1
3D-printed artificial intelligence running at the speed of light—from object classification to optical component design. Phys.org，2018/7/30
Supplementary Material for All-optical machine learning using diffractive deep neural networks. Science，2018/7/26
本站相關文章：
1.“看清”人體內部結構的3D全彩X光顯像技術
2.106 年第 4 季製造業投資及營運概況調查統計
3.106年第4季製造業產值統計
4.106年10月外銷訂單統計
5.TrendForce發布2018年十大科技趨勢
--------------------------------------------------------------------------------------------------------------------------------------------