光線替你完成機器學習的複雜計算 旋轉跳躍就搞定啦

加州大學洛杉磯分校的研究人員表示，一旦有個「層」被訓練，並且反覆執行所需要的計算，那麼機器學習空間和CPU的佔用就能被優化。這些通過一些印有複雜衍射圖案的3D列印層就能夠做到。

機器學習無處不在，但它給我們的印象總是抽象的，是大量的數據。它安靜得處於背景中，優化程序、修正音頻或識別挑選畫面中的面部。但這項新的技術讓它變得可見，從抽象畫面變成了物理模型，通過扭曲光線而不是處理數字對數據進行分析。

我們所熟知的機器學習系統是對一組數據進行一系列的計算，每個數據都建立在最後一個數據或者反饋到循環中，每一次計算本身並不是很複雜。最後，這些計算出的數據會產生一個概率，即與它「學會」識別的各種模式相匹配。

通過在列印層上布置數百萬個微小的變換，通過光的折射彎曲，進入的光從另一個結構中出來。這種類似於神經網路的方式，使得光學字元識別系統完全在硬體中工作，幾乎不需要功率和計算。

為了證明這一點，研究團隊訓練了一個深度學習模型來識別手寫數字。當計算過程確定後，他們採用矩陣數學層並將其轉換為一系列光學變換。例如，一個圖層可以通過將來自兩者的光重新聚焦到下一層的單個區域來將值加在一起。當然，真正的計算要複雜得多。

然而這項技術目前還是受到製造方面的限制，我們還難以創建能夠執行一些更加苛刻處理的精度水平的衍射板。就像你需要小數點後七位的東西，印刷版本卻只能精確到三位一樣。

儘管這項技術目前只是一個概念證明，巨型數字識別機器暫時不是迫切需要，但它依然是一項非常有趣的技術。在物理而不是數學的世界中構建光和數據的關係，這個想法或許還能證明相機在機器學習中具有一定影響力。

參考來源：

https://techcrunch.com/2018/07/26/this-3d-printed-ai-construct-analyzes-by-bending-light/

-End-

編輯：青葙子

本文章圖片來源於網路，侵權必刪

想要了解更多人工智慧領域的行業動態，歡迎關注聲學在線公眾號！

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！