3D baskı yapay sinir ağı oluşturuyor, UCLA ekibi tamamen optik makine öğrenimini gerçekleştiriyor
Füzeleri tespit etmek veya yolda araba çalıştırmak gibi ultra yüksek hızlı bir nesne tanıma sistemi geliştirmek istiyorsanız, dijital kameraya bağlı bir bilgisayar kullanmak yeterli değildir.
Los Angeles California Üniversitesi'nde elektrik mühendisi olan Aydoğan Özcan, bu durumu değiştirmeyi umuyor, bu nedenle araştırma ekibi, nesneleri yüksek hızda tanıyabilen bir tanıma sistemi geliştirmek için makine öğrenimi teknolojisi, optik araçlar ve 3D baskı teknolojisini kullanıyor. Sıradan bilgisayarlardan farklı olarak, bu sistemin harici bir güç kaynağı sağlamasına gerek yoktur, sadece bir başlangıç ışık kaynağı ve basit bir detektör sağlar.
Araştırma ekibi ilk olarak, derin öğrenme algoritmalarına dayalı pasif kırınımlı katman tasarımı kullanan, tamamen optik bir derin öğrenme çerçevesi olan Kırınımlı Derin Sinir Ağı (D2NN) önerdi. Hata geri yayma yönteminde eğitim aldıktan sonra, ışık hızına yakın yüksek bir hızda çeşitli karmaşık makine öğrenimi işlevlerini gerçekleştirebilir. Ekip nihayet bu optik mimariyi oluşturmak için 3D baskıyı kullandı ve moda ürünlerinin el yazısı sayılarını ve görüntü sınıflandırmasını gerçekleştirdi. Sonuçlar "Science" dergisinde yayınlandı.
Şekil Kağıt: Kırınımlı derin sinir ağlarını kullanan tüm optik makine öğrenimi (kırınımlı derin sinir ağlarını kullanan tüm optik makine öğrenimi)
İsviçre'nin Lozan kentindeki Federal Teknoloji Enstitüsü'nde Optik ve Elektrik Mühendisliği Okulu'nda profesör olan Demetri Psaltis, "Optik bileşenlerden oluşan bir katı hal yapay sinir ağı kurmak çok yenilikçi bir yöntem," dedi.
Roland Memisevic'in yüksek lisans öğrencisi ve Montreal Üniversitesi'nde makine öğrenimi ve sinir ağları üzerine çalışan Yoshua Bengio'nun ekibi Olexa Bilaniuk, bu başarının yeniliğinin derin öğrenme kısmında değil, optik mühendisliği kısmında ve 3D baskı "yapay sinir ağlarını" kullanma becerisinde olduğuna işaret etti. "Böylesi bir optik ağ inşa etmek için önceki çalışmalar ya sadece teorideydi ya da sadece küçük ve basit bir sistem kurabilirdi," diye ekledi.
Şekil Aydoğan Özcan
Özcan ekibi, gözleri ışığı ve görüntüleri insan gözünden farklı şekilde işleyen çeşitli hayvanların gözlerini taklit etmek için sistemi kullanmayı umuyor. Optik mikroskoplarda daha kısa dalga boylu ışık kullanılıyorsa bu sistem mikroskop uygulamaları ve tıbbi görüntüleme için de kullanılabilir.
Özcan ve meslektaşları nesne tanıma sistemlerini oluşturmak için önce derin öğrenme yöntemlerini kullandılar. Şu anda, derin öğrenme genellikle örüntü tanıma alanında kullanılmaktadır.Sesli veya görsel veriler verildiğinde, bilgisayarlar belirli kalıpları tanımayı eğitmek ve öğrenmek için derin öğrenme tekniklerini uygulayabilir ve ardından yeni verileri tahmin etmek için algoritmalar tarafından öğrenilen belirli kuralları kullanabilir.
Bu çalışmada, araştırmacılar optik ağ modellerini 0'dan 9'a kadar elle yazılmış rakam tanıma ve çeşitli giysi görüntülerini tanıma dahil olmak üzere farklı veri türlerini tanımak için eğitti. Her durumda, bilgisayar birden çok piksel katmanından oluşan bir model oluşturur. Her piksel ışığı iletebilir ve pikseller arasındaki ışık bağlantısı, bu katmandaki veya bitişik katmanlardaki belirli bir nöron ile diğer nöronlar arasındaki bağlantıyı temsil eder.
Yukarıda belirtilen iki veri kategorisi için, araştırmacılar simülasyon modelini fiziksel olarak yeniden oluşturmak için beş 3D baskılı plastik katmanı kullandılar ve daha sonra her görüntü türünü işlemek için görünür ışık yerine 0,4 THz monokromatik ışık olan lazerler kullandılar.
3D baskılı çok katmanlı sinir ağı, nesnenin yüzeyinden yansıyan ışığı alır.Işık, sinir ağının katı yapısı boyunca ışık hızında yayılır.Modelin çıkışından yayılan ışık detektöre yönlendirilir.Dedektöre karşılık gelen nesne veya resim kategorisi önceden kalibre edilir. Tanınan nesnenin veya resmin sınıflandırma sonucunu dolaylı olarak yargılayın.
Özcan, basılı katı modelin "birbirine bağlı katı beyinler gibi. Ayrıca ışık, nöronları birbirine bağlar, tıpkı nöronlar arasındaki bilgi akışı gibi" dedi.
Bilaniuk, "Bu çok verimli bir sinir ağı uygulaması, çünkü pasif kırınımlı yüzeyler 3D olarak yazdırıldıktan sonra herhangi bir elektrik kullanmıyorlar, ancak modelin girişini ışık hızında herhangi bir gecikme olmadan işleyebiliyorlar" dedi.
Araştırmacılar eğitim modelinin performansını iyileştirmek için çalışıyorlar. El yazısı rakam tanıma deneyinde, yapay ağları, yeni el yazısı rakamları tanırken yaklaşık% 91,75'lik bir doğruluğa sahiptir. Ayrıca basılı yapay ağın boyutunu genişletmeyi umuyorlar.Geçerli makalede bildirilen boyut 8 cm × 8 cm. Özcan, "Daha fazla katman ekleyerek, daha karmaşık görevleri daha yüksek doğrulukla gerçekleştirebiliriz." Dedi.
Psaltis için bu çalışma cevaplardan çok soru ortaya çıkarıyor: Sistem daha güçlü ve istikrarlı hale gelebilir mi? Hız artırılabilir mi? Modelleme ve 3D baskının maliyeti nedir? Bu sistemi mevcut dijital ekipmanla nasıl entegre ederiz?
Bilaniuk'a göre eğer sistem normal ışığa uyum sağlayabiliyorsa ve minyatürleştirilebiliyorsa, potansiyel uygulama cep telefonu kameralarında yüz tanıma ve otofokus olabilir ve bu çözüm dijital cihazlar gibi pil tüketmez. .
