人工神經(jīng)元，比人類大腦快10億倍，將會是怎樣的景象？

如今，這一科幻般的場景，早已成為了現(xiàn)實。

來自香港中文大學(xué)、中國科學(xué)院物理研究所等機構(gòu)科學(xué)家，成功開發(fā)出了一種基于「激光」的人工神經(jīng)元。

最新研究已發(fā)表在Optica期刊上。

論文地址：https://opg.optica.org/optica/fulltext.cfm?uri=optica-11-12-1690&id=565919

這個基于芯片的量子點激光器，不僅能完全模仿真實神經(jīng)細胞功能，更實現(xiàn)了驚人的速度——

即10GBaud信號處理速度，也就意味著它比生物神經(jīng)元快整整10億倍。

基于芯片點激光器，可以模擬生物梯級神經(jīng)元，同時實現(xiàn)10 GBaud的信號處理速度

如何理解這個速度有多快？

能夠在1秒內(nèi)處理1億次心跳數(shù)據(jù)；能夠在1秒內(nèi)分析3479萬張手寫數(shù)字圖像。

要知道，這個突破可能會徹底改變AI和先進計算領(lǐng)域，提升模式識別和序列預(yù)測的能力。

AI模仿生物神經(jīng)元，飆升10億倍

這項突破性發(fā)現(xiàn)，為何如此重要？

在我們的身體中，存在著不同類型的神經(jīng)細胞。

其中，梯級神經(jīng)元（graded neurons）是通過持續(xù)改變膜電位來編碼信息，實現(xiàn)精細的信號處理。

相較之下，脈沖神經(jīng)元（spiking neurons）則使用全有/全無的動作點位來傳遞信息，創(chuàng)造出更為二元的通信方式。

最新研究中技術(shù)的關(guān)鍵突破在于，創(chuàng)新的設(shè)計方法。

傳統(tǒng)的光子脈沖神經(jīng)元，通常通過將輸入脈沖注入激光器的增益區(qū)域工作，這種方式會導(dǎo)致延遲，限制了神經(jīng)元的響應(yīng)速度。

如下圖所示，是脈沖神經(jīng)元和梯級神經(jīng)元的在輸入輸出的對比圖。

激光神經(jīng)元，速度快能耗低

激光人工神經(jīng)元能夠以模仿生物神經(jīng)元行為的方式，對輸入信號做出響應(yīng)，由于其超快的數(shù)據(jù)處理速度和低能耗，正被探索用作顯著增強計算的一種方式。

然而，迄今為止開發(fā)的大多數(shù)都是光子脈沖神經(jīng)元。

這些人工神經(jīng)元具有有限的響應(yīng)速度，可能遭受信息丟失，并且需要額外的激光源和調(diào)制器。

光子脈沖神經(jīng)元的速度限制，在最新研究中被打破了。

研究團隊另辟蹊徑，選擇將射頻信號注入量子點激光器的可飽和吸收區(qū)，巧妙地避開了這一限制。

他們還為可飽和吸收區(qū)設(shè)計了高速射頻板，從而產(chǎn)生了一個更快速、更簡單、節(jié)能的系統(tǒng)。

港中文研究小組負責(zé)人Chaoran Huang表示，「激光梯級神經(jīng)元突破了當前光子脈沖神經(jīng)元的速度限制，我們構(gòu)建的一個儲層計算系統(tǒng)（reservoir computing system），在模式識別和序列預(yù)測等AI任務(wù)中展現(xiàn)出卓越的性能」。

激光梯級神經(jīng)元在心律失常檢測、圖像分類等AI任務(wù)中， 展示了卓越的模式識別和序列預(yù)測

他還稱，憑借強大記憶效應(yīng)和出色信息處理能力，單個激光梯度神經(jīng)元，可以表現(xiàn)得像一個小型神經(jīng)網(wǎng)絡(luò)。

因此即便是沒有額外復(fù)雜連接的單個激光梯級神經(jīng)元，也能高效地執(zhí)行機器學(xué)習(xí)任務(wù)。

高速儲層計算，1秒處理1億次心跳數(shù)據(jù)

為了進一步展示激光梯級神經(jīng)元的能力，研究團隊將其用于構(gòu)建儲層計算系統(tǒng)。

這是一種使用特定網(wǎng)絡(luò)（稱為存層）來處理時間相關(guān)數(shù)據(jù)的計算方法，常用于語音識別、天氣預(yù)測等領(lǐng)域。

激光梯級神經(jīng)元的類神經(jīng)元非線性動力學(xué)特性，以及快遞處理速度，使其成為支持高速儲層計算的理想選擇。

下圖所示，是儲層計算（RC）的架構(gòu)圖。

RC源自循環(huán)神經(jīng)網(wǎng)絡(luò)，是一種功能強大且經(jīng)濟高效的計算框架，非常適合時間/順序信息的處理。

它主要由輸入層、存儲層和讀出層組成。在存儲層內(nèi)，非線性節(jié)點之間的互聯(lián)是隨機的，權(quán)重是固定的，從而避免了對存儲層的訓(xùn)練。

這里，只有讀出層需要訓(xùn)練，可以通過線性回歸等簡單且計算高效的方法來完成。

最新研究中，作者選擇讓激光梯級神經(jīng)元充當激光儲層，來執(zhí)行儲層計算。在輸入層中，輸入信號被編碼為注入激光儲層的電脈沖。

在具體實驗中，該系統(tǒng)展現(xiàn)出令人印象深刻的性能。

比如它每秒能處理1億次心跳數(shù)據(jù)，并以98.4%的平均準確率檢測到心率失常模式。

具體來講，研究人員使用經(jīng)過處理的MIT-BIH心律失常數(shù)據(jù)集，開啟了失常心跳檢測的基準任務(wù)。

數(shù)據(jù)庫中包含從47名受試者獲得的48個半小時心電圖記錄摘錄，是第一個可廣泛用于評估心率失常檢測器的測試材料。

在處理后兩類MIT-BIH心率失常數(shù)據(jù)集中，原始心電圖波形被重新采樣，并被分成單個心跳，每個心跳由50個時間步長組成。

如下圖a所示，這些心跳被分類為兩組——健康組和心率失常組，分別標記為0和1。

而且，它還在各種AI應(yīng)用中，展現(xiàn)出優(yōu)秀的模式識別和序列預(yù)測能力，特別是在長期預(yù)測任務(wù)方面。

在MNIST手寫數(shù)據(jù)集任務(wù)中，研究人員又評估了激光儲庫的分類性能。MNIST數(shù)據(jù)集包含由28×28灰度像素組成的手寫數(shù)字圖像。

如下圖所示，通過使用六重交叉驗證方法計算的平均準確度，在四類MNIST手寫數(shù)字分類任務(wù)中達到92.3%。

有網(wǎng)友對此表示，聽到這樣的突破性進展，讓我更加確信我們正在指數(shù)增長曲線上穩(wěn)步前進。

現(xiàn)在的發(fā)展速度已經(jīng)快到了我完全無法預(yù)測6個月后甚至一年后我們會發(fā)展到什么程度。也許我想得太超前了，但我確實能強烈感受到這些天技術(shù)進步的加速度。

那么，激光神經(jīng)元的發(fā)現(xiàn)，意味著什么？

它能夠加速AI在時間關(guān)鍵應(yīng)用中的決策過程，保持高精度的同時，顯著提升了處理速度。

若是某天它被整合到邊緣計算設(shè)備中，實現(xiàn)更快速、更智能的人工智能系統(tǒng)，將會顯著降低能源消耗。

研究人員表示，未來下一步，團隊努力將提升激光梯度神經(jīng)元的處理速度，同時開發(fā)出包含級聯(lián)激光梯度神經(jīng)元的深度儲層的計算架構(gòu)。