一种实现复值神经网络的光学神经芯片

与实值神经网络相比，复值神经网络有许多优点。传统的数字电子计算平台无法执行真正复杂的表示和操作。相比之下，对相位和幅度信息进行编码的光学计算平台可以通过光学干涉执行复杂的运算，从而显著提高计算速度和能效。目前已经提出了几种神经网络的光学实现。在这些技术中，基于光子芯片的光学神经网络因其高兼容性、可扩展性和稳定性而日益成为主流。虽然这种光学芯片是基于光干涉的，但实现的神经网络算法是实值的，这就丧失了复值神经网络的优势。到目前为止，大多数光学神经网络的演示仍然只使用为数字计算机设计的传统实值框架，丧失了光学计算的许多优势，如高效的复值运算。

       近日，来自新加坡南洋理工大学量子科学与工程中心的H. Zhang等人重点介绍了一种实现真正复值神经网络的光学神经芯片(ONC)。他们在四个设置中对我们的复值ONC的性能进行了基准测试:简单的布尔任务、虹膜数据集的分类、非线性数据集分类(圆形和螺旋形)和手写识别。在虹膜分类中，他们在芯片测试中获得高达97.4％的精度。非线性决策边界在圆形和螺旋数据集的分类中可视化。在手写识别任务中，他们使用4×4的隐藏层实现了90.5％的测试准确度，比实际值对应的内容提高了8.5％。此外，仅在编码和解码模块处于密集状态时，性能差距仍然存在，指示巡视相位敏感的ONC即使对于所有实值接口也表现出操作优势。他们的结果为通过专用集成光学计算芯片实现深复数值神经网络以及高维量子神经网络提供了一条有希望的途径。与实值算法相比，他们的复值算法具有很强的学习能力(即高精度、快速收敛和构造非线性决策边界的能力)。相关研究工作发表在《Nature Communications》上。（詹若男） 

文章链接：H. Zhang et al. An optical neural chip for implementing complex-valued neural network. Nature Communications (2021) 12:457
       https://doi.org/10.1038/s41467-020-20719-7