隨著大模型等人工智能技術的突破與發(fā)展，算法復雜度劇增，對傳統(tǒng)計算芯片帶來了算力和功耗的雙重挑戰(zhàn)。近年來，以光計算為基礎、通過光電融合的方式構建光電神經(jīng)網(wǎng)絡的計算處理方法已經(jīng)成為國際熱點研究問題，有望實現(xiàn)計算性能的顛覆性提升。然而，光電神經(jīng)網(wǎng)絡的前向數(shù)學模型由對光場的精準物理建模得到，計算復雜度高、參數(shù)冗余度大；其學習機制沿用人工神經(jīng)網(wǎng)絡常用的梯度下降算法，面向大規(guī)模光電神經(jīng)網(wǎng)絡時優(yōu)化速度慢、資源消耗高、收斂效果差。因此，現(xiàn)有學習架構僅能支撐小規(guī)模光電神經(jīng)網(wǎng)絡的訓練，其網(wǎng)絡容量和特征捕獲能力不足以有效處理ImageNet等大型復雜數(shù)據(jù)集。 KYQ6U.%W  
M(BZ<,9V  
近日，清華大學電子工程系方璐副教授課題組提出了面向大規(guī)模光電智能計算的“光學-人工雙神經(jīng)元學習架構（DuAl-Neuron opTical-artificial lEarning,DANTE）”。其中光學神經(jīng)元精準建模光場計算過程，人工神經(jīng)元以輕量映射函數(shù)建立跳躍連接助力梯度傳播，全局人工神經(jīng)元與局部光學神經(jīng)元以交替學習的機制進行迭代優(yōu)化，在確保學習有效性的同時，大大降低了訓練的時空復雜度，使得訓練更大更深的光電神經(jīng)網(wǎng)絡成為可能。DANTE突破了大規(guī)模光電神經(jīng)網(wǎng)絡物理建模復雜、參數(shù)優(yōu)化困難等桎梏，網(wǎng)絡規(guī)模提升一至兩個數(shù)量級，訓練學習速度提升兩個數(shù)量級。 0QpWt  
pg<>Ow5,~l  
. FruI#99  
受限于算力瓶頸與顯存容量，現(xiàn)有的單神經(jīng)元學習方法僅能實現(xiàn)百萬量級神經(jīng)元的光電神經(jīng)網(wǎng)絡訓練，難以滿足ImageNet等復雜大規(guī)模數(shù)據(jù)集的訓練需求。課題組在空間光智能計算平臺上開展了大量仿真與物理實驗驗證，將現(xiàn)有百萬量級光電神經(jīng)元網(wǎng)絡的訓練時間從數(shù)十小時級縮短到了分鐘級。課題組進一步基于DANTE，首次實現(xiàn)了億級神經(jīng)元的大規(guī)模光電神經(jīng)網(wǎng)絡訓練與推理，在CIFAR-10、ImageNet等多個數(shù)據(jù)集上實現(xiàn)了與經(jīng)典人工神經(jīng)網(wǎng)絡VGG-11和VGG-16相當?shù)臏蚀_率。值得強調(diào)的是，在ImageNet基準上成功訓練光電神經(jīng)網(wǎng)絡具有重要意義。這展現(xiàn)了DANTE在支撐大規(guī)模光電神經(jīng)網(wǎng)絡訓練學習上的巨大潛力，有望推動光電智能計算從基于MNIST基準的原型驗證階段邁入到使用現(xiàn)代ImageNet基準來解決大規(guī)模現(xiàn)實問題的全新時代。 bcYz?o
6  
S6QG:|#P