3D列印的衍射深度神經網路：識別物體幾乎零延時！

導讀

近日，美國加州大學洛杉磯分校放棄採用速度慢、能耗高的傳統電子硬體設備，利用光波實現幾乎零能耗、零延遲的深度學習系統。他們提出了一種全新的全光學深度學習框架：衍射深度神經網路。

背景

時下，在無人駕駛、語音識別、科學研究等諸多領域，深度學習起到了越來越重要的作用。作為近年來發展迅速的機器學習方法之一，深度學習採用人工神經網路模仿人腦學習過程，數字化地學習數據，對其進行抽象處理，並執行高級任務，例如分析圖像、聲音、文本。

然而，現有的機器學習系統的實現需要依靠高性能的電子硬體：CPU或者GPU。特別是對於深度學習來說，因為需要執行大量的並行計算，所以GPU成為了更廣泛的選擇。不過由於運算量非常巨大，GPU難免產生巨大的能耗。除能耗外，運算速度也是限制深度學習性能的一個重要瓶頸。

創新

近日，美國加州大學洛杉磯分校（UCLA ）電氣與計算機工程師組成的科研團隊另闢蹊徑，放棄採用耗能巨大的GPU設備，將目光投向光波。

他們提出一種全光學的深度學習框架：衍射深度神經網路（Diffractive Deep Neural Network，D2NN）。該架構採用基於深度學習演算法的無源衍射層（passive diffractive layers）設計，經誤差反向傳播法（error back-propagation method）訓練後，能夠以接近光速的速度，實現多種複雜的機器學習功能。

相關研究成果發表於7月26日的《科學（Science ）》期刊。

技術

日常生活中，我們見到大量的「智能」攝像頭在識別物體。例如，當你存錢時，有些自動櫃員機可以「讀出」你手寫的美元金額。再例如，某些互聯網搜索引擎，能將讀取的照片與資料庫中的其他相似照片進行匹配。但是，這些系統都需要依靠技術設備來識別物體。首先，它們利用攝像頭或光學感測器「看」物體，然後將「看」到的物體處理成數據，最後用計算機程序來搞清楚它是什麼。

可是，這種處理的速度往往不夠快，以至於無法滿足高速識別的應用需求。然而，UCLA 開發的「衍射深度神經網路」系統，有望超越這些設備。它利用物體自身反射的光線識別物體，識別耗時非常短，就像計算機簡單「看」一下物體那麼快。該設備無需複雜的計算機程序，就可以處理物體圖像，並在光學感測器獲取圖像數據後判斷出物體是什麼。這種設備只是利用了光線的衍射，所以運行時沒有能量損耗。

這種新設備能加快數據密集型任務的執行速度。這些數據密集型任務通常包括物體的分類與識別。例如，無人駕駛汽車採用這種新設備，能比現有技術更快地響應停車標誌。一旦停車標誌的發出光線照射到汽車上，汽車就可以立即「讀取」標誌，而不必「等待」汽車的攝像頭拍攝物體圖像，再採用計算機硬體來搞清楚物體是什麼。這項技術背後的發明，還可用於透視成像與醫學，例如通過疾病標誌來分類幾百萬種細胞。

創造這種人工神經網路的過程開始於計算機模擬設計。然後，研究人員用3D列印創造出極薄的、8平方厘米的聚合物晶圓。每個晶圓表面都很平整，這樣有助於從不同方向上衍射來自物體的光線。對於人眼來說，這些衍射層看上去都是不透明的，但是實驗中採用的亞毫米波段的太赫茲光線可以穿透它們。每一層都由成千上萬的人工神經元組成，在這個案例中，它是指光線可穿越的微小像素。

（圖片來源：UCLA）

一組像素化的衍射層共同形成了一個「光學網路」，來自物體的光線通過它們時會受到影響。因為來自物體的光線被大部分朝著分配給那種物體的單個像素衍射，所以這個網路可以識別物體。

然後，當物體發出的光線穿過設備時，研究人員採用計算機學習每個物體所產生的衍射光線圖案，訓練網路去識別前方的物體。這種「訓練」採用了人工智慧的一個分支技術，也稱為深度學習。在深度學習中，隨著圖像的出現，機器通過重複計算和時間推移展開「學習」。

UCLA 電氣與計算機工程系教授、該研究的首席研究員 Aydogan Ozcan 表示：「直觀上，這就像一個非常複雜的玻璃和鏡子組成的迷宮。光線進入衍射網路，並在迷宮中四處反射，直到走出迷宮。通過大部分光線從哪兒走出迷宮，系統可以判斷出物體是什麼。」

在實驗中，研究人員展示了設備可精準地識別手寫數字和衣服，兩者都是人工智慧研究中普遍用到的測試用例。首先，他們將圖像放置在太赫茲光源前，讓設備通過光學衍射「看」到這些圖像。

（圖片來源：UCLA）

他們將設備訓練成像鏡頭一樣工作，可以將放置在光學網路前面的物體圖像投射到它的另一側，就像普通的相機鏡頭一樣，但採用的是人工智慧而不是物理方法。

由於組件可通過3D列印製造，所以這種人工神經網路可以通過更大、更多的衍射層來製造，從而帶來具有億萬神經元的設備。這些更大型的設備可同時識別更多的物體，或展開更複雜的數據分析，並且這些組件可以低成本地製造。UCLA團隊製造的設備能以低於50美元的成本進行再生產。

Ozcan 表示，雖然這項研究採用的是太赫茲頻率的光線，但是未來也有望製造出可見光、近紅外或者其他頻率的光線。這種網路也可以通過光刻或者其他印刷技術製造。

價值

總結一下，這種衍射深度神經網路設備可通過3D列印製造，以接近光速的速度，執行傳統計算機神經網路所能實現的各種複雜功能，並應用於全光學圖像分析、特徵檢測和物體分類，還可以實現新型相機設計，製造出完成深度學習任務的光學元件。

Ozcan 表示：「從根本上說，這項研究為採用基於人工智慧的無源器件，迅速地分析數據、圖像和分類物體，打開了新的機遇。這種光學人工神經網路設備，直觀地模仿了人腦處理信息的方式。經過擴展，它能夠帶來新型攝像頭設計和獨特的光學組件，無源地應用於醫療技術、機器人、安全或者任何需要圖像和視頻數據的應用。」

關鍵字

機器學習、深度學習、神經網路、人工智慧、無人駕駛

參考資料

【1】https://samueli.ucla.edu/ucla-engineers-develop-artificial-intelligence-device-that-identifies-objects-at-the-speed-of-light/

【2】http://science.sciencemag.org/content/early/2018/07/25/science.aat8084

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！