Los recursos computacionales actuales se están acercando a su límite, por lo que reducir efectivamente el costo de capacitación de los modelos de aprendizaje automático y mejorar su eficiencia de capacitación es una cuestión importante en el campo de la investigación.

Para abordar esta cuestión se han realizado grandes esfuerzos en dos direcciones de investigación:las redes neuronales ópticas y las redes neuronales cuánticas. Las redes neuronales ópticas utilizan métodos avanzados de manipulación óptica para ejecutar algoritmos de aprendizaje automático en el procesamiento de información óptica clásico. Tienen ventajas únicas como bajo consumo de energía, baja diafonía y baja latencia de transmisión. Sin embargo, las redes neuronales ópticas actuales no exhiben aceleración algorítmica, como una velocidad de convergencia de modelos más rápida.

Las redes neuronales cuánticas son algoritmos de redes neuronales basados ​​en la teoría de la computación cuántica. Investigaciones recientes han demostrado que las redes neuronales cuánticas pueden demostrar una aceleración algorítmica debido a las correlaciones cuánticas. Sin embargo, debido a limitaciones técnicas, actualmente es difícil ejecutar tales algoritmos de redes neuronales en hardware a gran escala, lo que dificulta su aplicación en problemas prácticos que enfrentan las personas en la actualidad.

En un nuevo artículo publicado en Light:Science &Applications , un equipo de científicos, dirigido por el profesor Xiangdong Zhang, del Laboratorio Clave de arquitectura cuántica optoelectrónica avanzada y mediciones del Ministerio de Educación; El Laboratorio Clave de Nanofotónica y Sistemas Optoelectrónicos Ultrafinos de Beijing, la Facultad de Física, el Instituto de Tecnología de Beijing, China, y sus colaboradores han desarrollado un nuevo tipo de red neuronal óptica que puede exhibir una aceleración análoga a una red neuronal cuántica.

Esta interesante propiedad surge debido a la introducción de correlaciones ópticas clásicas como portadoras de información. De hecho, al utilizar este tipo de soporte, se puede imitar la forma de procesamiento de información que permite la computación cuántica, como lo han demostrado trabajos anteriores de los investigadores.

Basándose en esta propiedad, los investigadores desarrollaron la operación convolucional y de agrupación en el estado óptico correlacionado y establecieron una red neuronal convolucional óptica correlacionada. Esta red neuronal óptica tiene una correspondencia uno a uno con la red neuronal convolucional cuántica. Muestra la aceleración en el proceso de entrenamiento para aprender ciertos conjuntos de datos y se puede aplicar para identificar el carácter de los estados cuánticos bajo un principio de codificación particular.

El método y la técnica presentados abrirán nuevas vías para la realización de redes neuronales ópticas mejoradas algorítmicamente, lo que beneficiará el procesamiento de información en la era del big data.

La estructura básica de una red neuronal convolucional óptica correlacionada incluye cuatro partes:la fuente de luz correlacionada, la convolución, la agrupación y las detecciones. El procesamiento central del estado óptico correlacionado se realiza mediante la parte de convolución y agrupación. A diferencia de las redes neuronales convolucionales clásicas, estas dos partes de la red neuronal óptica convolucional correlacionada manipulan la correlación de estados ópticos y generan estados correlacionados más simples fusionando los haces.

"Estas dos partes en realidad realizan operaciones análogas a las puertas cuánticas en las redes neuronales convolucionales cuánticas", dijeron los científicos. "La parte de convolución de nuestra red se compone de operaciones unitarias en el estado óptico correlacionado.

"Es como las operaciones unitarias en el espacio de Hilbert de los qubits. La parte de agrupación que consideramos equivale a medir qubits parciales para obtener un espacio sub-Hilbert. Tal parte conduce a una disminución exponencial en la dimensión de los datos. Por lo tanto, la La función de las dos partes contribuye a una convergencia más rápida de la función de pérdida al aprender ciertos conjuntos de datos.

"Además, también certificamos la similitud de nuestra red neuronal convolucional óptica correlacionada con la red neuronal convolucional cuántica realizando la identificación de la fase topológica de los estados cuánticos. La certificación está respaldada por resultados tanto teóricos como experimentales.

"Los resultados también indican que las propiedades de la red neuronal cuántica se pueden realizar de una manera más asequible", añadieron.

"A pesar de las ventajas potenciales de las redes neuronales cuánticas, su implementación prácticamente requiere circuitos cuánticos profundos con muchas puertas multiqubit y mediciones complicadas. Esto requiere importantes recursos para estabilizar los circuitos y corregir errores, lo que es un desafío técnico debido a las inevitables perturbaciones ambientales.

"Una alternativa potencialmente mejor es encontrar un sistema descrito con las mismas matemáticas que la teoría cuántica y menos interrumpido por el entorno. Las redes neuronales ópticas correlacionadas propuestas sirven como ejemplo de tal sistema, como lo demuestra la facilidad de disposición de los elementos y la baja requisitos según las circunstancias de nuestros experimentos.

"Dado el crecimiento exponencial de los datos y la escasez de recursos para la computación de alta calidad, nuestro enfoque presenta una solución rentable y de alto rendimiento que podría tener aplicaciones generalizadas en diversos campos de investigación de ciencia de datos".