量子有限的随机光学神经网络在每次激活时运行几个量子
Shi-Yuan Ma1, Tianyu Wang2, Jérémie Laydevant2,3
1School of Applied and Engineering Physics, Cornell University, Ithaca, NY, USA. sm2725@cornell.edu.
Nature communications
|January 3, 2025
概括
研究人员开发了在单光子水平上运行的节能光学神经网络. 这种方法在机器学习任务中实现了高精度,尽管噪声很大,为超低功耗计算铺平了道路.
科学领域:
- 物理 物理学 物理
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 计算中的能源效率受到噪声的限制,接近量子极限.
- 相比于数字网络,模拟物理神经网络提供了潜在的能源节约.
- 目前的模拟网络在高信号噪声比率 (SNR>10) 上运行,将噪声视为干扰.
研究的目的:
- 研究在单光子模式下运行的光学神经网络 (SNR ~ 1).
- 开发一种训练方法,考虑到神经元激活时的高噪音水平.
- 为了证明精确的机器学习推断与超低光能消耗.
主要方法:
- 利用光学神经网络,在单光子激活极限上运行的关键层.
- 在训练期间使用基于物理的概率模型来激活神经元.
- 在MNIST数据集上实验证明手写数字分类.
主要成果:
- 通过光学神经网络实现了MNIST分类的98%的测试准确度.
- 网络运行时采用极高射击噪声 (SNR ~ 1) 的模式.
- 证明的超低能耗:每次多重积累 (MAC) 操作0.038光子.
结论:
- 物理意识的随机训练可以在杂的低能光学神经网络中进行准确的机器学习推断.
- 单光子操作是可行的,以节能计算.
- 开发的培训方法可能会使其他超低功耗硬件受益.


