新的光子神经网络有望为复杂任务提供超快计算

光子神经网络系统速度快且节能，对于处理大量数据特别有帮助。为了推进类光子大脑计算技术，斯特拉斯克莱德大学的一组研究人员将基于尖峰的神经网络与表现出尖峰神经元行为的半导体激光器结合起来。

最近，他们提出了训练要求较低的高性能光子尖峰神经网络操作，并引入了一种新颖的训练方案以获得更好的结果。这项研究发表在《智能计算》上。

受生物神经元网络启发的神经网络通过为复杂任务提供有效的解决方案彻底改变了人工智能。为了进一步释放其潜力，研究人员一直在将其他技术融入人工神经网络中，并取得了一些成功。

利用光的好处的一个成功例子是基于光或光子的神经网络系统以更快的速度和更好的能源效率运行，这使得它们特别有助于处理大量数据并有望用于未来的人工智能应用。

作者提出的尖峰神经网络基于硬件友好的光子系统，该系统仅由一个垂直腔表面发射激光器(手机中常见的设备)组成。该提案代表了同一作者早期研究的改进，其中他们将存储计算(一种构建光子神经网络和处理复杂任务的强大方法)与使用相同类型的激光器构建的神经形态尖峰神经元结合起来。

在当前的论文中，作者完成了更具挑战性的分类任务，并应用了替代训练方案来提高训练的速度和效率，同时降低训练要求。

他们解决的分类任务是一个高度复杂的多变量和非线性问题，涉及每个数据点500个特征，并且基于人工数据集MADELON。为了创建尖峰神经网络，作者使用了一种实验装置，将激光器的非线性尖峰动力学与受储层计算启发的架构相结合。

在该架构中，输入数据是时分复用的，即分为不同的时隙。每个时隙代表神经网络中的一个虚拟神经元。输入数据被注入激光器并由激光器处理，输出被解释为二进制节点输出，尖峰或非尖峰，具体取决于输入数据是否超过特定阈值。

作者通过传统的最小二乘回归训练方法和他们新提出的 显着性 训练方法成功证明了光子尖峰神经网络的计算能力。后者根据节点的整体有用性和重要性为节点分配二进制权重。

两种方法都实现了超过94%的出色分类准确率，在一小部分处理时间内超越了基准性能。新方法的准确率分别为94.4%和95.7%，高于传统方法。使用新方法训练的尖峰神经网络在数据点少于10个的小型训练集上取得了出色的性能。

总之，所提出的光子尖峰神经网络以其超快的性能、低功耗和硬件友好的实现(仅使用一台激光器来处理所有虚拟节点)超越了传统的数字半导体处理系统。作者相信，这项研究可以为完全在光学硬件上运行的基于光子学的处理系统创造新的可能性，使它们能够以高精度、高速和节能的方式处理高度复杂的任务。