利用半导体激光实现高精度分类

所谓的光子神经网络系统既快速又节能，特别适合处理海量数据。

a) 光子尖峰神经网络的工作原理；b) 光子尖峰神经网络的结构；c) MADELON 分类任务。图片来源：Dafydd Owen-Newns et al.

为了推动光子类脑计算技术的发展，斯特拉斯克莱德大学的一个研究小组将基于尖峰的神经网络与能显示尖峰神经元行为的半导体激光器集成在一起。

他们展示了高性能的光子尖峰神经网络运行以及较低的训练需求，并启动了一种新的训练方案以提高成果。

这项研究于 2023 年 8 月 29 日在科学伙伴期刊《智能计算》（Intelligent Computing）上发表。

从生物神经元网络中获得灵感的神经网络为复杂任务提供了有效的解决方案，从而彻底改变了人工智能。为了进一步释放神经网络的潜力，科学家们将其他技术的想法融入到人工神经网络中，并取得了一些成功。

利用光的优势的一个成功例子是，基于光或光子的神经网络系统运行速度更快，能效更高。这使它们特别有助于处理海量数据，并有望在未来的人工智能应用中大显身手。

作者提出的尖峰神经网络依赖于一个硬件友好型光子系统，该系统仅由一个垂直腔表面发射激光器组成，这是一种在手机中常见的设备。

这项建议是对同一组作者之前研究的改进。在早前的研究中，他们将水库计算（一种用于构建能够处理复杂任务的光子神经网络的有效技术）与使用同类激光器开发的神经形态尖峰神经元进行了整合。

在当前的研究中，作者完成了一项难度极高的分类任务，并采用了另一种训练方案来提高训练速度和效率，同时降低训练需求。

研究人员处理的分类任务非常复杂，是一个多变量和非线性问题，每个数据点包含约 500 个特征，并且依赖于人工数据集 MADELON。

为了创建尖峰神经网络，作者利用实验装置将激光的非线性尖峰动态与受蓄水池计算启发的架构整合在一起。

在该架构中，输入数据已被时间多路复用，即分成不同的时隙。每个时隙代表神经网络中的一个虚拟神经元。

输入数据被注入激光器并由激光器进行处理，输出则根据输入数据是否超过某个阈值作为二进制节点输出，即尖峰或非尖峰。

作者利用传统的最小二乘回归训练技术和新提出的 "重要性 "训练方法，成功地展示了光子尖峰神经网络的计算能力。

后者根据节点的整体效用和重要性为其分配二进制权重。这两种技术的分类准确率都超过了 94%，在大幅缩短处理时间的情况下超越了既定基准。

具体来说，新方法的准确率分别达到 94.4% 和 95.7%，超过了传统方法的结果。值得注意的是，使用新方法训练的尖峰神经网络表现出了卓越的性能，即使是在包含不到 10 个数据点的小型数据集上进行训练时也是如此。

所建议的光子尖峰神经网络超越了传统的数字半导体处理系统，它具有低功耗、超快性能和硬件友好的实现方式，只需使用一台激光器就能处理所有虚拟节点。

作者认为，这项研究为基于光子技术的处理系统创造了新的机会，这些系统完全依靠光学硬件运行，可以高精度、高速度和高能效地处理高度复杂的任务。

参考资料

Owen-Newns, D., et al. (2023) Photonic Spiking Neural Networks with Highly Efficient Training Protocols for Ultrafast Neuromorphic Computing Systems. Intelligent Computing. doi.org/10.34133/icomputing.0031