Les ressources informatiques actuelles approchent de leur limite, donc réduire efficacement le coût de formation des modèles d'apprentissage automatique et améliorer l'efficacité de leur formation est un enjeu important dans le domaine de la recherche.

Pour résoudre ce problème, de gros efforts ont été déployés dans deux directions de recherche :les réseaux de neurones optiques et les réseaux de neurones quantiques. Les réseaux de neurones optiques utilisent des méthodes avancées de manipulation optique pour exécuter des algorithmes d'apprentissage automatique dans le traitement optique classique de l'information. Ils présentent des avantages uniques tels qu'une faible consommation d'énergie, une faible diaphonie et une faible latence de transmission. Cependant, les réseaux de neurones optiques actuels ne présentent pas d'accélération algorithmique, telle qu'une vitesse de convergence de modèle plus rapide.

Les réseaux de neurones quantiques sont des algorithmes de réseaux de neurones basés sur la théorie de l'informatique quantique. Des recherches récentes ont montré que les réseaux de neurones quantiques peuvent démontrer une accélération algorithmique grâce aux corrélations quantiques. Cependant, en raison de limitations techniques, il est actuellement difficile d'exécuter de tels algorithmes de réseaux neuronaux sur du matériel à grande échelle, ce qui rend difficile leur application dans les problèmes pratiques auxquels les gens sont actuellement confrontés.

Dans un nouvel article publié dans Light :Science &Applications , une équipe de scientifiques, dirigée par le professeur Xiangdong Zhang, du Laboratoire clé d'architecture quantique optoélectronique avancée et de mesures du ministère de l'Éducation ; Le Laboratoire clé de nanophotonique et de systèmes optoélectroniques ultrafins de Pékin, École de physique, Institut de technologie de Pékin, Chine, et ses collègues ont développé un nouveau type de réseau neuronal optique capable de présenter une accélération analogue à celle d'un réseau neuronal quantique.

Cette propriété intéressante apparaît grâce à l’introduction de corrélations optiques classiques comme support d’information. En fait, en utilisant ce type de support, on peut imiter le mode de traitement de l'information permis par l'informatique quantique, ce qui a été prouvé par des travaux antérieurs des chercheurs.

Sur la base de cette propriété, les chercheurs ont développé l’opération de convolution et de pooling sur l’état optique corrélé et ont établi un réseau neuronal convolutif optique corrélé. Ce réseau neuronal optique a une correspondance biunivoque avec le réseau neuronal convolutif quantique. Il montre l'accélération du processus de formation sur l'apprentissage de certains ensembles de données et peut être appliqué pour identifier le caractère des états quantiques selon un principe de codage particulier.

La méthode et la technique décrites ouvriront de nouvelles voies pour réaliser des réseaux de neurones optiques améliorés par des algorithmes, ce qui bénéficiera au traitement de l'information à l'ère du Big Data.

La structure de base d'un réseau neuronal convolutif optique corrélé comprend quatre parties :la source de lumière corrélée, la convolution, la mise en commun et les détections. Le traitement central de l’état optique corrélé est effectué par la partie convolution et pooling. Contrairement aux réseaux neuronaux convolutifs classiques, ces deux parties du réseau neuronal optique convolutif corrélé manipulent la corrélation des états optiques et génèrent les états corrélés les plus simples en fusionnant les faisceaux.

"Ces deux parties effectuent en fait des opérations analogues aux portes quantiques dans les réseaux neuronaux convolutifs quantiques", ont déclaré les scientifiques. "La partie convolution de notre réseau est composée d'opérations unitaires sur l'état optique corrélé.

"C'est comme les opérations unitaires sur l'espace de Hilbert des qubits. La partie de regroupement que nous considérons équivaut à mesurer des qubits partiels pour obtenir un espace sous-Hilbert. Une telle partie conduit à une diminution exponentielle de la dimension des données. Par conséquent, le La fonction des deux parties contribue à une convergence plus rapide de la fonction de perte lors de l'apprentissage de certains ensembles de données.

"En outre, nous certifions également la similarité de notre réseau neuronal convolutionnel optique corrélé avec le réseau neuronal convolutionnel quantique en effectuant l'identification de la phase topologique des états quantiques. La certification est étayée par des résultats théoriques et expérimentaux.

"Les résultats indiquent également que les propriétés du réseau neuronal quantique peuvent être réalisées de manière plus abordable", ont-ils ajouté.

"Malgré les avantages potentiels des réseaux neuronaux quantiques, leur mise en œuvre nécessite pratiquement des circuits quantiques profonds avec de nombreuses portes multi-qubits et des mesures compliquées. Cela nécessite des ressources importantes pour stabiliser les circuits et corriger les erreurs, ce qui est techniquement difficile en raison des perturbations environnementales inévitables.

"Une alternative potentiellement meilleure consiste à trouver un système décrit par les mêmes mathématiques que la théorie quantique et moins interrompu par l'environnement. Les réseaux neuronaux optiques corrélés proposés servent d'exemple d'un tel système, comme en témoigne la facilité des arrangements d'éléments et le faible exigences sur les circonstances de nos expériences.

"Compte tenu de la croissance exponentielle des données et de la rareté des ressources nécessaires à un calcul de haute qualité, notre approche présente une solution rentable et performante qui pourrait avoir des applications généralisées dans divers domaines de recherche en science des données."