İçbükey tapınaktan Xia Yi
Qubit Raporu | Genel Hesap QbitAI
Derin öğrenme artık görüntü tanıma, konuşma tanıma ve makine çevirisi sistemlerinin hemen hemen her standart bileşenini oluşturmuştur ve eksiklikleri hayatın her kesiminden insanlar tarafından şikayet edilmiştir:
Yeterince hızlı değil, çok enerji tüketen, açıklanamaz ...
Los Angeles Kaliforniya Üniversitesi'nden (UCLA) bir grup bilim insanı, yetersiz hız ve yüksek enerji tüketimi sorununu başka bir açıdan çözecek.
UCLA Elektronik Mühendisliği Bölümü'nde profesör olan Aydoğan Özcan, ekibini neredeyse sıfır enerji tüketimi ve sıfır gecikme ile derin öğrenmeye ulaşmak için ışığın yayılmasına güvenerek sinir ağını çipten gerçek dünyaya taşımaya yönlendirdi.
Bu çözüme D2NN: Kırınım Derin Sinir Ağı (Kırınımlı Derin Sinir Ağı). Optik araçlar, 3B yazdırma ve sinir ağlarının birleşimidir.
Sonuçları Science üzerindedir.
Bu sistemin geleneksel sinir ağlarının eşleşemeyeceği avantajları vardır: Daha hızlı , D2NN'de bilgi aktarım hızı ışık hızına eşittir; ikincisi ise Enerji tüketimi 0'a yakın : Başlangıçta bir ışık kaynağı sağlamak dışında artık güç tüketimine gerek yoktur.
D2NN, birden çok kırınım katmanından oluşur ve bir katmandaki her nokta, sinir ağının bir nöronuna eşdeğerdir. onun Eğitim Yöntem, nöronun ağırlığının nöronun ağırlığı değil, nöronun ışık geçirme / yansıma katsayısı olması dışında derin öğrenme ile aynıdır.
Eğitim tamamlandıktan sonra D2NN'nin son tasarımı alınır ve biz buradayız imalat sahne. Bu kırınımlı katmanlar 3D olarak yazdırılacak ve öğrendiği görevleri yerine getirecektir. anlam çıkarmak .
Çıkarım sürecinde, bu sinir ağında iletilen şey, insanların görünen ışığı değil, 0,4 terahertz frekansındaki monokromatik ışıktır. Özcan, D2NN'yi nöronları birbirine bağlamak ve bilgi iletmek için ışığı kullanan fiziksel bir beyinle karşılaştırıyor.
Bu araştırmada, Özcan ekibi farklı D2NN türleri yarattı, bazıları görüntüleri sınıflandırmak için (B'nin üstünde) ve bazıları görüntüleme için (C'nin üstünde) kullanıldı.
Bir D2NN tasarlanıp yazdırıldıktan sonra, optimize edilmeye devam edilebilir.
Örneğin, bilim adamları MNIST el yazısıyla yazılmış rakam tanıma görevi için 5 katmanlı bir D2NN eğitti, her katman 8 cm × 8 cm boyutunda ve% 91,75 doğruluk elde etti.
Ardından, performansı optimize etmek için bu D2NN'ye iki katman daha eklediler. Sonuç olarak, MNIST üzerindeki bu 7 katmanlı ağın sınıflandırma doğruluğu% 93,39'a ulaştı.
MNIST'ten biraz daha karmaşık olan kıyaslama veri kümesinde Fashion-MNIST'te 5 katmanlı D2NN, en yüksek% 86,33 doğruluk oranına ulaşır.
Tabii ki, D2NN artık sadece bir bebek olarak kabul edilebilir ve evrişimli sinir ağlarının% 99 doğruluk oranıyla karşılaştırılamaz.
Ardından Özcan ekibi, daha büyük boyutlu ve daha fazla katmana sahip bir D2NN yapmayı planlıyor.
Belki bir gün, bu yeni sinir ağı türü güçlendiğinde, güç tüketmeden yüzleri tanıyan kameralara alışacağız.
Kağıt burada:
- Bitiş -
Samimi işe alım
Qubit, editörleri / muhabirleri işe alıyor ve merkezi Pekin, Zhongguancun'da bulunuyor. Yetenekli ve hevesli öğrencilerin bize katılmasını dört gözle bekliyoruz! İlgili ayrıntılar için lütfen QbitAI diyalog arayüzünde "işe alım" kelimesini yanıtlayın.
Qubit QbitAI · Toutiao İmzalayan Yazar
' ' Yapay zeka teknolojisi ve ürünlerindeki yeni eğilimleri takip edin