Neurální síť. Kredit: CC0 Public Domain.

V dnešní elektronice se prohánějí elektrony. Ale tím není řečeno, že by to nešlo i jinak. Tým vědců Kalifornské univerzity v Los Angeles vyvinul nový typ neurální sítě. Funguje tak, že namísto elektřiny používá ke zpracování dat fotony, čili světlo. Jejich výzkum v těchto dnech publikoval časopis Science.

Aydogan Ozcan. Kredit: UCLA.

Neurální sítě pro deep learning jsou počítačové systémy, které se učí tak, že prohlížejí veliké soubory dat. V nich hledají určité vzory, které pak následně využívají v interpretaci nových dat. A dnešní neurální sítě k tomu používají elektřinu. Aydogan Ozcan s kolegy ale našli způsob, jak postavit neurální síť s deep learningem, která se (téměř) obejde bez elektřiny. Namísto elektřiny používá světlo. Své síti říkají difraktivní síť s deep learningem (D2NN, z anglického diffractive deep neural network).

Jak postavit neurální síť poháněnou světlem? Použili k tomu malé plastové destičky, které si vytiskli na 3D tiskárně. Každá destička přitom představuje vrstvu virtuálních neuronů. Každý z takových neuronů se chová jako jeho biologický protějšek, ale pracuje se světlem. Badatelé například použili pět destiček, které uspořádali do řady a ponechali mezi nimi kousek volného prostoru. Systém pracoval tak, že na první z destiček nasměroval laserový paprsek, který pak prošel druhou, třetí, čtvrtou a pátou destičkou takovým způsobem, že přenesl informace o objektu umístěném před zařízením. Senzor dopadajícího záření nakonec zpracoval výsledky.

University of California – Los Angeles.

Ozcan a spol. svoji technologii optické neurální sítě otestovali tím, že postavili síť schopnou rozlišovat číslice od nuly do devíti a pak ohlásit výsledek. Neurální síti ukázali číslici, síť ji rozeznala a zobrazila ji. Během fáze učení badatelé nakrmili svůj systém 55 tisíci snímky číslic. A upřímně řečeno, učení zahrnovalo použití elektřiny, protože se na něm podílel klasický počítač.

Když Ozcanův tým ověřoval schopnosti optické neurální sítě, tak ji ukázali tisíce snímku číslic. A neurální síť zabodovala s úspěšností přibližně 95 procent. Koncept se tedy osvědčil a mohl by se stát základem aplikací, v nichž musejí být neurální sítě hodně rychlé. Jako když například rozeznávají tváře v rychle se pohybujícím davu. 

Video: UCLA Spotlight Profile: Aydogan Ozcan

Literatura
TechXplore 27. 7. 2018, Science online 26. 7. 2018.