量子位
·
清华光学AI登Nature！物理神经网络，反向传播不需要了
内容提要
清华大学的研究人员在Nature杂志上发表了一篇关于使用光学系统进行神经网络训练的论文。他们提出了一种全前向模式（FFM）的训练方法，通过光学系统直接执行训练过程，克服了传统基于数字计算机模拟的限制。研究人员通过实验证明，FFM方法具有高准确率、高分辨率的聚焦能力，并且可以在散射介质中实现并行成像视线之外的物体。此外，FFM方法还可以自动搜索非厄米特系统中的异常点。
关键要点
-
清华大学研究人员在Nature上发表了关于光学系统训练神经网络的论文。
-
提出了一种全前向模式（FFM）训练方法，直接在物理光学系统中执行训练。
-
FFM方法省去了传统建模过程，允许系统直接使用实验数据进行学习和优化。
-
FFM方法减少了对数学模型的依赖，节省了时间和能耗。
-
FFM通过测量输出光场计算梯度，使用梯度下降算法更新参数。
-
FFM在自由空间光学神经网络上实现了高准确率，接近理论值。
-
FFM能够在复杂散射环境中实现高分辨率成像，优化光波传播路径。
-
FFM可以在非视距场景中重建和分析隐藏物体，表现优于人工神经网络。
-
FFM方法可扩展到集成光子系统，能够自动搜索非厄米特系统中的异常点。
-
FFM是一种高效并行执行机器学习操作的方法，适用于物理系统的计算密集型训练。
延伸问答
全前向模式（FFM）训练方法的主要优势是什么？
FFM方法减少了对数学模型的依赖，节省了时间和能耗，并允许系统直接使用实验数据进行学习和优化。
FFM如何在复杂散射环境中实现高分辨率成像？
FFM利用光波在散射介质中的对称性，通过优化光波的传播路径和相位，减少散射效应对聚焦的影响。
FFM方法如何替代传统的反向传播算法？
FFM方法通过直接从前向后更新网络参数，省去了反向传播的步骤，允许光学系统自学并优化自身设置。
FFM在非视距场景中的应用效果如何？
FFM能够通过全光学方式重建和分析隐藏物体，表现优于人工神经网络，尤其在低光子条件下。
FFM方法在集成光子系统中的应用前景如何？
FFM方法可扩展到集成光子系统，能够自我设计并自动搜索非厄米特系统中的异常点，显示出良好的分类准确度。
FFM方法在训练神经网络时的准确率如何？
使用FFM方法的光学神经网络在实验中实现了接近理论值的高准确率，特别是在多层网络中表现优异。
