康奈尔大学的研究人员已经成功地(从左到右)训练了一个计算机扬声器、一个简单的电子电路和一个激光器来执行机器学习计算。Credit: Logan G. Wright等人/康奈尔大学你可能无法教一只老狗新把戏，但康奈尔大学的研究人员找到了一种方法，可以训练物理系统，从计算机扬声器和激光到简单的电子电路，来执行机器学习计算，例如识别手写数字和口语元音。这个实验不仅仅是噱头或室内把戏。通过将这些物理系统转化为推动谷歌翻译(Google Translate)和在线搜索等服务的同类神经网络，研究人员展示了传统电子处理器的一种早期但可行的替代方案——与支持许多人工智能应用的数据中心和服务器场中的耗电芯片相比，这种替代方案可能更快、更节能。
“许多不同的物理系统都有足够的复杂性，它们可以执行大范围的计算，”领导该项目的工程学院应用和工程物理学助理教授彼得·麦克马洪说。“我们演示的系统看起来一点也不像，它们似乎与手写数字识别或元音分类无关，但你可以训练它们这样做。”
该团队的论文“用反向传播训练的深层物理神经网络”发表在1月26日的《自然》杂志上。该论文的共同主要作者是洛根·赖特和小野寺，他们是麦克马洪实验室的NTT研究博士后。
麦克马洪团队的中心研究主题存在于物理和计算的交叉点:如何利用物理系统比传统计算机更有效或更快地执行计算。
对于这个项目，他们专注于一种类型的计算:机器学习。目标是找出如何使用不同的物理系统，以一种可以应用于任何系统的通用方式来执行机器学习。研究人员开发了一种训练程序，能够用三种不同类型的物理系统——机械、光学和电学——进行演示。所需要的只是一点小小的调整，和一种怀疑的暂停。
“人工神经网络通过将一系列参数化函数应用于输入数据来进行数学运算。一个物理系统的动力学也可以被认为是对输入到该物理系统的数据应用一个函数。“在某种意义上，神经网络和物理之间的这种数学联系使我们的方法成为可能，尽管用不寻常的物理系统制造神经网络的想法起初听起来可能真的很荒谬。”
对于机械系统，研究人员在一个商用扬声器上放置了一个钛板，创造了物理学中被称为驱动多模式机械振荡器的东西。该光学系统由一束通过非线性晶体的激光组成，通过组合成对的光子将入射光的颜色转换成新的颜色。第三个实验使用了一个只有四个元件的小电子电路——一个电阻、一个电容、一个电感和一个晶体管——这是一个中学生在科学课上可能会组装的那种。
在每个实验中，手写数字图像的像素被编码在输入系统的光脉冲或电压中。系统处理信息，并以类似的光脉冲或电压输出。至关重要的是，为了让系统执行适当的处理，必须对它们进行培训。因此，研究人员改变了特定的输入参数，并通过物理系统运行了多个样本——例如不同笔迹中的不同数字，然后使用笔记本电脑来确定应该如何调整参数，以实现任务的最大准确性。这种混合方法将标准的训练算法从传统的人工神经网络中分离出来，称为反向传播，能够抵抗噪声和实验缺陷。
研究人员能够训练光学系统以97%的准确率对手写数字进行分类。虽然这一精度低于在标准电子处理器上运行的传统神经网络的最先进水平，但实验表明，即使是一个与传统神经网络没有明显联系的非常简单的物理系统，也可以被教导执行机器学习，并且可能比传统电子神经网络执行得更快，使用的功率也更低。
光学系统也成功地被训练来识别口语元音。
研究人员已经在网上发布了他们的物理感知训练代码，这样其他人就可以将自己的物理系统转化为神经网络。训练算法足够通用，几乎可以应用于任何这样的系统，甚至流体或外来材料，不同的系统可以链接在一起，以利用每个系统最有用的处理能力。
麦克马洪说:“事实证明，你可以将几乎任何物理系统转化为神经网络。“然而，并不是每一个物理系统都将是完成每一项任务的良好神经网络，因此，有一个重要的问题是，什么物理系统最适合完成重要的机器学习任务。但现在有一种方法可以尝试找出答案——这也是我的实验室目前正在追求的目标。”
合著者包括博士生、孟晚舟博士后、达伦·沙赫特和·胡。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
