使用3D打印機，加州大學洛杉磯分校電氣和計算機工程師團隊創(chuàng)建了一個基于人工智能（AI）的設(shè)備，可以分析大量數(shù)據(jù)并以光速識別物體。深度學習是機器學習領(lǐng)域中發(fā)展最快的機器學習方法之一，通常用于醫(yī)學圖像分析，語言翻譯，圖像分類，語音識別以及解決更具體的任務(wù)，例如解決逆成像問題。

    傳統(tǒng)上，深度學習系統(tǒng)被實現(xiàn)為在計算機上執(zhí)行以數(shù)字化學習數(shù)據(jù)表示，并執(zhí)行與人類性能相當或甚至更好的高級任務(wù)。然而，由加州大學洛杉磯分校電氣和計算機工程教授Aydogan Ozcan博士領(lǐng)導的團隊引入了一種物理機制，使用全光學衍射深度神經(jīng)網(wǎng)絡(luò)（D2NN）實現(xiàn)深度學習。該光學人工神經(jīng)網(wǎng)絡(luò)設(shè)備直觀地模擬大腦如何處理信息。它使用從對象本身反射的光來在很短的時間內(nèi)識別該對象，這是計算機簡單地“看到”對象所需的時間。
      創(chuàng)建人工神經(jīng)網(wǎng)絡(luò)的過程始于計算機模擬設(shè)計。然后，研究人員使用3D打印機制作了非常薄的8厘米見方的聚合物晶圓。每個晶片具有不平坦的表面，這有助于在不同方向上衍射來自物體的光。這些層看起來對眼睛是不透明的，但實驗中使用的亞毫米波長太赫茲頻率的光可以穿過它們。每層由數(shù)萬個人造神經(jīng)元組成，在這種情況下，光是能穿過微小像素的。一系列像素化層一起用作“光學網(wǎng)絡(luò)”，其形成來自物體的入射光穿過它們，然后網(wǎng)絡(luò)識別對象，因為來自對象的光主要被衍射到分配給該類型對象的單個像素。

Ozcan研究組/加州大學洛杉磯分校

      研究人員使用計算機對網(wǎng)絡(luò)進行訓練，通過學習每個物體在該物體發(fā)出的光線穿過設(shè)備時產(chǎn)生的衍射光圖案來識別其前面的物體。 “訓練”使用了一種稱為深度學習的人工智能分支，其中機器通過重復和隨著時間的推移“學習”模式出現(xiàn)?！笆褂弥饘又圃斓臒o源元件，并通過光衍射將這些層相互連接，創(chuàng)造了一個獨特的全光平臺，以光速執(zhí)行機器學習任務(wù)?！監(jiān)zcan博士說。

      在他們的實驗中，研究人員證明該裝置可以準確識別手寫的數(shù)字和衣物，這兩種都是人工智能研究中常用的測試。它還可以在太赫茲光譜上執(zhí)行成像鏡頭的功能。加州大學洛杉磯分校的研究人員認為，基于該設(shè)備的新技術(shù)可用于加速涉及排序和識別物體的數(shù)據(jù)密集型任務(wù)。例如，使用該技術(shù)的無人駕駛汽車可以立即做出反應(yīng)，甚至比使用現(xiàn)有技術(shù)更快，對停車標志做出反應(yīng)。使用基于UCLA系統(tǒng)的設(shè)備，一旦來自標志的光擊中它，汽車將“讀取”標志，而不是必須“等待”汽車的相機對物體成像然后使用其計算機來找出對象是什么。基于本發(fā)明的技術(shù)還可以用于顯微成像和醫(yī)學，例如，用于分選數(shù)百萬個細胞以尋找疾病的跡象。

      由于其組件可以由3D打印機創(chuàng)建，因此人工神經(jīng)網(wǎng)絡(luò)可以用更大和更多的層制作，從而產(chǎn)生具有數(shù)億個人造神經(jīng)元的設(shè)備。那些更大的設(shè)備可以同時識別更多的對象或執(zhí)行更復雜的數(shù)據(jù)分析。并且組件可以廉價制作， 由加州大學洛杉磯分校團隊創(chuàng)建的設(shè)備可以低于50美元。

來源：3d打印網(wǎng)

編輯：董強