Рассеяние света позволило сделать нейросеть из стекла

Ученые предложили новыйвариант оптической нейросети, которая представляет собой стекло со специальнойвнутренней структурой. Разработка подходит для решения задачиклассификации изображений,например, распознавания рукописных цифр. При направлении на вход такой нейросети данных ввиде волнового фронта из-за специфического рассеяния внутри энергияконцентрируется в области одного из возможных выходов. Преимуществом такойнейросети является полная пассивность, благодаря чему она не потребляет энергиипри работе, пишут ученые в журнале Photonics Research . Искусственные нейросети —это один из подходов к созданию ограниченного искусственного интеллекта,изначально вдохновленный строением нервной системы живых существ. Подобно мозгучеловека, нейросеть также состоит из функциональных элементов, которыепринимают сигналы от нескольких других элементов, преобразуют их согласноопределенному правилу и передают дальше. На этом близкое соответствиезаканчивается, так как структура связей в природных и искусственных нейросетей принципиально разная. Обычно нейросети реализуют в виде компьютерных программ, которые реализуют соответствующие вычисления.

Тем не менее, уже были созданы аналоговые варианты, в которых вычисленияпроизводятся специально созданными волноводами или дифракцией на особых пластинах . В новой работе ученыеисследовали возможность реализации нейросети в виде куска стекла с неупорядоченной структурой, внутри которого размещенынеоднородности: пузырьки воздуха и примеси графена. При прохождении фронтаэлектромагнитной волны он особым образом рассеивается на этих неоднородностях,при этом фокусируется в определенных точках на выходе. Авторы называютразработку нанофотонной нейросредой (nanophotonic neural medium). Исследователи выбралиотносительно несложную задачу классификации рукописных цифр. В таком случае навход подается белое изображение начертания цифры на черном фоне, а выходысоответствуют различным распознанным цифрам. Обучение состоит в оптимизациивнутренней структуры, то есть расположения пузырьков и примесей, котороемаксимизирует правильность классификации. Теоретически обучение можно проводитьпри помощи материалов с настраиваемыми свойствами, но в рамках данной работы ученые использовали компьютерное моделирование. Точность двумерной модели составила около 79 процентов, а трехмерной — 84 процента. Ученые пишут, что это связано со специально наложенными ограничениями, которые позволяют в реальности изготовить такое устройство. Без подобных ограничений оптимизация может выдавать чересчур полые структуры. Авторы считают результаты впечатляющими, но возможность применять подобные изделия на практике неочевидна. Содной стороны, у такой нейросети есть безусловные преимущества в виде отсутствиянеобходимости в питании и потенциальной дешевизне получения в большихмасштабах, а с другой — текущий вариант невозможно изменить после изготовления,что ограничивает каждое изделие одной специальной задачей. Также обучение под конкретную задачу оказывается весьма трудоемким процессом. Ранее нейросети научили рисовать сложные сцены по текстовому описанию, генерировать лицо по голосу и распознавать отредактированные в Photoshop лица. Однако большинство нейросетей по-прежнему легко можно обмануть и заставить выдавать неправильный ответ: в частности, программу для распознавания образов можно запутать поворотом объекта. Тимур Кешелава