在AI的光学计算中利用噪声

人工智能和机器学习目前正在以许多小而有影响力的方式影响我们的生活。例如，人工智能和机器学习应用程序推荐我们可能通过Netflix和Spotify等流媒体服务享受的娱乐。

在不久的将来，预计这些技术将通过驾驶全自动驾驶汽车、实现复杂的科学研究和促进医学发现等活动对社会产生更大的影响。

但用于人工智能和机器学习的计算机需要大量能源。目前，与这些技术相关的计算能力需求大约每三到四个月翻一番。全球人工智能和机器学习应用程序使用的云计算数据中心每年消耗的电力已经超过了一些小国家。很容易看出，这种能源消耗水平是不可持续的。

华盛顿大学领导的一个研究小组为人工智能和机器学习开发了新的光学计算硬件，它比传统电子产品更快、更节能。该研究还解决了另一个挑战——光学计算固有的“噪声”，它会干扰计算精度。

在1月21日发表在ScienceAdvances上的一篇新论文中，该团队展示了一种用于AI和机器学习的光学计算系统，该系统不仅可以减轻这种噪声，而且实际上将其中的一部分用作输入，以帮助增强人工神经网络的创造性输出系统内。

“我们已经建造了一台比传统数字计算机更快的光学计算机，”主要作者、华盛顿大学电气和计算机工程博士生吴昌明说。“而且，这台光学计算机可以根据大多数研究人员试图逃避的光学噪声产生的随机输入来创造新事物。”

光学计算噪声主要来自杂散光粒子或光子，这些杂散光粒子或光子源自设备内激光器的操作和背景热辐射。为了针对噪声，研究人员将他们的光学计算核心连接到一种特殊类型的机器学习网络，称为生成对抗网络。

该团队测试了几种噪声缓解技术，其中包括使用光学计算核心产生的一些噪声作为GAN的随机输入。

例如，该团队为GAN分配了学习如何像人一样手写数字“7”的任务。光学计算机不能简单地按照规定的字体打印出数字。它必须像孩子一样学习这项任务，通过查看手写的视觉样本并练习直到它可以正确写出数字。当然，光学计算机没有人类的手来书写，所以它的“手写”形式是生成与它研究过的样本风格相似但又不相同的数字图像。

“我们没有训练网络阅读手写数字，而是训练网络学习书写数字，模仿它接受过训练的手写视觉样本，”资深作者、华盛顿大学电气和计算机工程教授MoLi说。“在杜克大学计算机科学合作者的帮助下，我们还表明，GAN可以通过使用对错误和噪声具有鲁棒性的训练算法来减轻光学计算硬件噪声的负面影响。不仅如此，网络实际上将噪声用作生成输出实例所需的随机输入。”

在从标准AI训练图像集中的数字7的手写样本中学习之后，GAN练习写“7”直到它能够成功。一路走来，它形成了自己独特的写作风格，可以在计算机模拟中写出从1到10的数字。

接下来的步骤包括使用当前的半导体制造技术更大规模地构建该设备。因此，该团队计划使用工业半导体代工厂来实现晶圆级技术，而不是在实验室中构建该设备的下一个版本。更大规模的设备将进一步提高性能，并使研究团队能够完成手写生成之外的更复杂的任务，例如创作艺术品甚至视频。

“这个光学系统代表了一种计算机硬件架构，可以增强人工智能和机器学习中使用的人工神经网络的创造力，但更重要的是，它展示了该系统大规模的可行性，可以减轻甚至利用噪声和错误”李说。“人工智能应用的增长如此之快，以至于在未来，它们的能源消耗将是不可持续的。这项技术有可能帮助减少能源消耗，使人工智能和机器学习在环境上可持续——而且速度非常快，总体上实现了更高的性能。”