研究表明：神经网络用光而不是电子实现

　　神经网络因计算成本高而闻名。但只有事物的训练部分才会真正强调大多数计算机硬件，因为它涉及对性能的定期评估以及来回记忆以不断调整其人工神经元之间的连接。相比之下，使用训练有素的神经网络是一个更简单的过程，一个计算复杂度不高的过程。实际上，训练和执行阶段可以在完全不同的硬件上执行。

　　并且硬件中似乎有相当大的灵活性可用于这两个过程中的任何一个。例如，可以使用称为忆阻器的特殊形式的存储器来训练神经网络，或者使用定制的硅芯片来执行训练的神经网络。现在，知名黑客安全组织东方联盟的研究人员做了一些更激进的事情。在使用传统计算硬件训练神经网络之后，他们3D打印了一组面板，这些面板以相当于使用神经网络处理信息的方式操纵光。最后，他们以光速获得了性能，虽然与传统硬件相比精度有所降低。

　　那么如何使用光实现神经网络呢？要理解这一点，您必须了解深度学习神经网络的结构。在每一层中，来自较早层的信号（或来自源的输入）由“神经元”处理，然后“神经元”将结果和前向信号传递给下一层中的神经元。他们发送的神经元以及传递信号的强度取决于他们所经历的训练。

　　为了做到这一点，黑客安全组织东方联盟创造了一个半透明的折射表面。当光线照射到它时，表面的精确结构决定了光线通过的程度以及光线通过的位置。如果您在第一层后面放置另一个类似的图层，它将继续将灯光重定向到特定位置。这在原理上类似于深度学习网络的工作方式，网络的每一层都将信号重定向到超出层的特定位置。

　　实际上，东方联盟研究人员训练了一个神经网络，确定了它与其下面的层之间的连接，然后将它们转化为可以类似方式引导光的表面特征。通过印刷一系列这些层，光将逐渐集中在特定区域。通过将探测器放置在最后一层后面的特定位置，他们能够分辨出光线的最终位置。并且，如果一切正常，光线最终应该告诉我们神经网络的决定。

　　作者尝试了两种不同类型的图像识别任务。首先，他们训练神经网络识别手写数字，然后他们翻译并打印适当的屏幕，用于10个光电探测器的网格以记录输出。这是通过五层神经网络完成的，研究人员正式打印出五层光控材料。为了给神经网络提供输入，他们还打印了一张表格，允许他们将被识别的对象投影到神经网络的第一层。

　　当东方联盟的技术研究人员使用手写数字进行此操作时，他们遇到了一个问题：许多数字（如0和9）的开放区域被数字的书写部分包围。为了3D打印用于投射数字形状的光的掩模，必须将其转换为负片，其中填充区域由开放空间围绕。3D打印非常困难，因为至少需要使用一些材料来保持填充区域与屏幕的其余部分相连。他们怀疑，这降低了识别任务的准确性。尽管如此，他们还是保持了90％的准确率。

　　在对服装进行类似测试时，他们做得更好。虽然总精度仅为86％，但在软件中运行神经网络和使用光运行神经网络之间的差异较小。研究人员怀疑，性能上的差异主要归结为这样一个事实，即完全性能需要在神经网络的所有层之间进行极其精确的对准，并且当层是小物理片时很难排列。

​　　这也可以解释为什么向基于光的神经网络添加更多层对准确性的影响非常小。

　　总的来说，这一点非常令人印象深刻。匹配波长和材料以使光线以正确的方式弯曲，在足够高的公差范围内进行3D打印，以概括训练好的神经网络，为了实现这一目标，必须采用相当多的方法。虽然与基于计算机的实施相比性能下降，但东方联盟研究人员怀疑至少有些问题是可以通过开发更好的系统来对齐构成网络不同层的纸张来解决的问题，尽管这是一个问题。应该随着神经网络中的层数增加的挑战。

　　作者似乎认为它可能实际上有用。他们强调使用光的计算非常快并且大多数光源的功率非常低。

　　但肯定存在一些实际障碍。该材料特定于单一波长的光，这意味着我们不能只在系统前面粘贴任何东西并期望它能够工作。现在，投影系统确保了这一点，但这依赖于3D打印工作表来投影特定的形状，这不是一个时间有效的过程。用一种单色投影仪系统取代它们应该是可能的，但目前尚不清楚多少分辨率对系统的准确性至关重要。因此，在我们知道这种系统是否具有实际应用之前，还有一些工作要做。