Temporal speckle enables probabilistic weights for uncertainty-aware photonic AI
本文介绍了一种超快光子处理器，它利用宽带光的时域散斑来原生编码概率权重，从而克服了数字贝叶斯神经网络的计算瓶颈，并实现了能够同时进行分类和分布外检测的高速、具备不确定性感知能力的 AI。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
想象一下，你正试图教一个机器人识别不同种类的水果。你给它看了成千上万张苹果、香蕉和橙子的照片。最终，机器人变得非常擅长挑选它们。但如果你递给它一张奇异果的照片会发生什么？一个标准的机器人可能会眯起眼睛，猜它是“香蕉”，并带着十足的信心说：“我100%确定！”即便它完全错了。这对于像自动驾驶汽车或医疗诊断这类对安全性要求极高的工作来说是一个大问题，因为在这些领域，自信地犯错是极其危险的。
为了解决这个问题，科学家们使用了被称为“贝叶斯神经网络”的技术。不要把它们仅仅看作一个机器人的大脑，而要把它看作一个由专家组成的团队，他们每个人都有略微不同的观点。它们不再是为每张图片记住一个精确的答案，而是学习一个可能性的范围。当它们看到一张新图像时，会询问整个团队：“你们怎么看？”如果大家意见一致，机器人就会很有信心；如果团队在争论，机器人就知道：“我不确定这个，”并可以请求帮助。问题在于，在普通计算机上让一整个专家团队互相交流是非常缓慢且耗能的。这就像是在一个狭小的房间里举行一场大规模会议，交通拥堵会让一切都慢下来。
这时，来自海德堡大学和洛桑联邦理工学院（EPFL）的一个研究小组提出了一个巧妙的转折。他们问道：“如果我们不用计算机来模拟这些不同的观点，而是直接利用光本身来进行思考呢？”在他们的新研究中，他们展示了如何利用光自然的、混沌的闪烁来瞬间代表这些不确定的观点。
他们是这样做的。他们使用了一束“混沌光”——这只是一种随机闪烁的光，就像一个快要烧坏的灯泡发出的光。通常情况下，科学家们试图消除这种闪烁，因为它被视为噪声。但这个团队意识到，这种闪烁实际上是一种超能力。他们使用一种特殊的工具将光切割成不同的颜色（频率）。对于每种颜色，他们可以控制两件事：它的亮度以及它的颜色带宽。
他们发现了一个神奇的规则：特定颜色的亮度决定了机器人的“平均”观点，而颜色带宽的宽度则决定了该观点的“不确定性”或“抖动程度”。窄带宽意味着稳定、有信心的观点；宽带宽则意味着抖动、不确定的观点。由于光速极快，他们可以让成千上万个这样的“观点”同时闪烁，并全部压缩在单束光中。
该团队构建了一个微型芯片，它充当了这些“光之观点”的超快速传送带。他们对光进行了编程，使其代表一个叫做“卷积”的数学问题（这只是一种高级的数据混合方式，就像在食谱中混合食材）。当光穿过芯片时，不同的颜色会被延迟极微小的量，以便它们能够完美地对齐并完成数学运算。结果是，该芯片每37.5皮秒就能执行一次这种概率计算。为了让你有个直观的概念，一个皮秒是万亿分之一秒。对于这种特定类型的“不确定性思考”，这比标准计算机的速度快了数十亿倍。
他们用两个现实世界的任务测试了他们的“光脑”。首先，他们向它展示了血细胞的照片。系统针对七种类型的细胞进行了训练，但从未见过一种被称为“红细胞生成素细胞（erythroblasts）”的特定类型。当他们展示这种细胞时，“光脑”并没有盲目猜测，而是表现得非常“抖动”。光束中的不同观点产生了分歧，释放出了高度不确定的信号。系统正确地标记了图像——它表示“我不知道这是什么”，而不是自信地将其错误分类。
接着，他们在手写数字（著名的MNIST数据集）上进行了测试。他们展示了正常的数字、看起来像时尚单品的数字（这是系统从未见过的），以及那些画得太烂以至于可能同时代表两个数字的模糊数字。这个“光脑”成功区分了这三种情况：它对正常数字很有信心，对时尚单品感到不确定（因为它们是新事物），以及对模糊的绘画感到困惑（因为图像本身不清晰）。
这篇论文证明了，通过利用光的自然波动，我们可以构建出不仅会猜测、而且知道自己在猜测的AI。这是迈向更安全、更可靠的AI的一步，因为我们需要的是那种不仅速度快，而且在不确定时能保持谦逊的机器。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。