Искусственные нейронные сети, используемые сейчас в технологиях искусственного интеллекта и предназначенные для решения тяжелых вычислительных задач, таких, как распознавание объектов на изображениях, к примеру, ассоциируются у нас с большими высокопроизводительными вычислительными системами или специализированными нейроморфными процессорами, работа которых основана на принципах работы головного мозга. Однако, исследователи из Калифорнийского университета в Лос-Анджелесе нашли новый способ реализации искусственной нейронной сети, используя свет, проходящий через череду специальных дифракционных пластин, изготовленных при помощи технологий трехмерной печати. Естественно, что такая нейронная сеть буквально работает со скоростью света, а для ее функционирования требуется не такое уж и большое количество энергии.

Традиционно, технологии глубинного машинного обучения и самообучения реализуются на базе нейронных сетей, создаваемых программным способом в недрах достаточно мощных компьютеров. И некоторые наиболее удачные реализации этих технологий уже могут сравниться, а иногда и превзойти человека по скорости и качеству работы. Тем не менее, такой подход к реализации нейронных сетей имеет ряд недостатков, главным из которых является необходимость использования большого количества ресурсов компьютерной техники и, как следствие, достаточно большое количество потребляемой во время работы энергии.

Для решения этой проблемы группа, возглавляемая доктором Эйдогэном Озканом (Dr. Aydogan Ozcan), решила отказаться от использования электронов в пользу использования фотонов света. И результатом их работы стала полностью оптическая дифракционная глубинная нейронная сеть (Diffractive Deep Neural Network, D2NN). В этой сети используются пластины из прозрачного материала, напечатанные на трехмерном принтере. Пространство каждой пластины разбито на тысячи трехмерных "пикселей", отражающих и преломляющих проходящий сквозь них свет строго заданным способом. Лучи света, обработанные каждым из пикселей, складываются в дифракционную картину, образ которой проходит сквозь следующую пластину. Такой подход позволяет выполнить многоэтапную обработку данных, которые заключены в потоке света, попадающем на первую пластину, и самым интересным является то, что для обработки данных не требуется никакой дополнительной энергии, кроме той, которая уже содержится во входном потоке света.

По внешнему виду пластины дифракционной нейронной сети чем-то напоминают позолоченные пластины от обычной автомобильной аккумуляторной батареи. Несмотря на столь необычный вид такая нейронная сеть, работающая буквально со скоростью света, успешно справляется с такими задачами, как анализ изображений, поиск и классификация объектов и т.п. А в будущем такие миниатюризированные нейронные сети могут быть даже встроены в камеры для смартфонов, где они будут выполнять некоторые специфические задачи, позволяя идентифицировать объекты "на лету" и снабжать изображения соответствующими ключевыми словами, к примеру.
"Самым интересным является то, что нейронная сеть состоит исключительно из пассивных компонентов, которые могут быть изготовлены слой за слоем" - рассказывает доктор Озкан, - "Эти слои связываются друг с другом при помощи явления дифракции и в результате у нас имеется полностью оптическая система, способная выполнять вычислительные задачи со скоростью света".

Созданная учеными дифракционная нейронная сеть является пока лишь доказательством работоспособности заложенных в нее идей и решений. Тем не менее, появление этой сети уже открывает массу новых уникальных возможностей для технологий машинного глубинного обучения и самообучения следующих поколений.