Credit:CC0 Public Domain人工智能和机器学习目前正以许多微小但有影响力的方式影响着我们的生活。例如，人工智能和机器学习应用程序推荐我们可能通过网飞和Spotify等流媒体服务享受的娱乐。在不久的将来，据预测，这些技术将通过驾驶全自动汽车、支持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。
但是用于人工智能和机器学习的计算机需要大量的能量。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使用的云计算数据中心每年消耗的电力已经超过一些小国。很容易看出这种能耗水平是不可持续的。
华盛顿大学领导的一个研究小组已经为人工智能和机器学习开发了新的光学计算硬件，它比传统的电子设备更快、更节能。这项研究还解决了另一个挑战——光学计算固有的“噪声”会干扰计算精度。
在1月21日于科学进展发表的一篇新论文中，该团队展示了一个用于人工智能和机器学习的光学计算系统，该系统不仅减轻了这种噪音，而且实际上使用了一些噪音作为输入，以帮助增强系统中人工神经网络的创造性输出。
“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，”第一作者吴昌明说，他是UW电气和计算机工程专业的博士生。“此外，这种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，它们来自设备内激光器的运行和背景热辐射。为了瞄准噪声，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，包括使用光学计算核心产生的一些噪声作为氮化镓的随机输入。
例如，研究小组给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，通过观察手写的视觉样本并练习，直到它能正确地写下数字。当然，光学计算机没有用于书写的嗡嗡声，所以它的“手写”形式是生成数字图像，其风格类似于它所研究的样本，但不同于它们。
资深作者、UW电气与计算机工程教授莫丽说:“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，模仿它所学习的手写视觉样本。”。“我们在杜克大学计算机科学合作者的帮助下，还表明GAN可以通过使用对错误和噪声鲁棒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随机输入，这是生成输出实例所必需的。”
在学习了来自标准人工智能训练图像集的数字7的手写样本后，氮化镓练习写“7”，直到它能成功做到。一路走来，它发展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以更大的规模制造该器件。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下一个版本的器件。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任务，如创作艺术品甚至视频。
“这种光学系统代表了一种计算机硬件架构，可以增强人工神经网络在人工智能和机器学习中的创造力，但更重要的是，它在很大程度上证明了这种系统的可行性，在这种系统中，噪声和误差可以减轻，甚至可以利用，”李说。“AI应用增长如此之快，以至于在未来，它们的能耗将无法持续。这项技术有潜力帮助降低能耗，使人工智能和机器学习在环境上可持续，并且速度非常快，总体性能更高。”
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
