用喇叭識別手寫數(shù)字？

聽起來好像是玄學(xué)，但這其實(shí)是正經(jīng)的Nature論文啊。

下面的圖，表面上看起來是個(gè)改造過的喇叭，其實(shí)用它來識別手寫數(shù)字，正確率接近90%。

這就是來自康奈爾大學(xué)的物理學(xué)家們整出的新花樣。

他們用揚(yáng)聲器、電子器件、激光器，分別造出了聲學(xué)、電學(xué)、光學(xué)版的物理神經(jīng)網(wǎng)絡(luò)（PNN）。

而且以上這些神經(jīng)網(wǎng)絡(luò)還能用反向傳播算法執(zhí)行訓(xùn)練。

物理學(xué)家整出PNN的原因是：摩爾定律已死，我們要用物理系統(tǒng)拯救機(jī)器學(xué)習(xí)。

據(jù)這篇文章所說，和軟件實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)相比，PNN有希望將機(jī)器學(xué)習(xí)的能效和速度提高好幾個(gè)數(shù)量級。

如何用物理反向傳播

科學(xué)家之所以能用物理設(shè)備搭建神經(jīng)網(wǎng)絡(luò)，是因?yàn)槲锢韺?shí)驗(yàn)與機(jī)器學(xué)習(xí)的本質(zhì)都是一樣的——調(diào)參、優(yōu)化。

物理學(xué)中存在著非常多的非線性系統(tǒng)（聲學(xué)、電學(xué)、光學(xué)都有），能和人工神經(jīng)網(wǎng)絡(luò)一樣用來逼近任意函數(shù)。

聲學(xué)的神經(jīng)網(wǎng)絡(luò)就是這樣的。

兩位做實(shí)驗(yàn)的博士后拆掉了揚(yáng)聲器上方的振膜，將方形的鈦金屬板和喇叭動(dòng)圈相連。

來自計(jì)算機(jī)的接收控制信號以及金屬板震蕩產(chǎn)生輸入信號，再把信號輸出到揚(yáng)聲器上，由此制造了一個(gè)反饋閉環(huán)。

至于如何進(jìn)行反向傳播，作者提出了一種混合物理世界與計(jì)算機(jī)的算法，稱為“物理感知訓(xùn)練” (PAT)，可以反向傳播直接訓(xùn)練任何物理系統(tǒng)來執(zhí)行深度神經(jīng)網(wǎng)絡(luò)的通用框架。

在聲學(xué)神經(jīng)網(wǎng)絡(luò)系統(tǒng)中，振蕩板接收由MNIST圖像改造的聲音輸入樣本（紅），在驅(qū)動(dòng)振動(dòng)板后，信號由麥克風(fēng)記錄（灰），并及時(shí)數(shù)模轉(zhuǎn)換為輸出信號（藍(lán)）。

整個(gè)物理系統(tǒng)的流程如下圖：先將數(shù)字信號轉(zhuǎn)換為模擬信號，輸入進(jìn)物理系統(tǒng)中，然后將輸出與真實(shí)結(jié)果對比，經(jīng)過反向傳播后，調(diào)整物理系統(tǒng)的參數(shù)。

通過對揚(yáng)聲器參數(shù)的反復(fù)調(diào)試，他們在MNIST數(shù)據(jù)集上達(dá)到了87%的正確率。

也許你會(huì)問，訓(xùn)練過程中還是要用到計(jì)算機(jī)啊，這有什么優(yōu)勢？

的確，PNN在訓(xùn)練上可能并不占優(yōu)勢，但PNN的運(yùn)行靠的是物理定律，一旦網(wǎng)絡(luò)訓(xùn)練完成，就無需計(jì)算機(jī)介入，在推理延時(shí)和功耗上都具有優(yōu)勢。

而且PNN在結(jié)構(gòu)上比軟件版的神經(jīng)網(wǎng)絡(luò)簡單多了。

還有電學(xué)和光學(xué)版

除了聲學(xué)版，研究人員還打造了電學(xué)版和光學(xué)版神經(jīng)網(wǎng)絡(luò)。

電學(xué)版使用了四個(gè)電子元器件電阻、電容、電感和三級管，就像中學(xué)物理實(shí)驗(yàn)一樣，電路極其簡單。

這套模擬電路PNN能夠以93%的測試準(zhǔn)確率執(zhí)行MNIST圖像分類任務(wù)。

而光學(xué)版最為復(fù)雜，近紅外激光通過倍頻晶體被轉(zhuǎn)化為藍(lán)光，不過這套系統(tǒng)的準(zhǔn)確率最高，能夠達(dá)到97%。

另外，這套光學(xué)系統(tǒng)還能對語音進(jìn)行簡單的分類。

以上所用到的物理系統(tǒng)訓(xùn)練算法PAT可以用于任何系統(tǒng)，你甚至可以用它來打造流體乃至機(jī)械朋克版神經(jīng)網(wǎng)絡(luò)。

參考鏈接：

[1]https://www.nature.com/articles/s41586-021-04223-6

[2]https://github.com/mcmahon-lab/Physics-Aware-Training

[3]https://news.cornell.edu/stories/2022/01/physical-systems-perform-machine-learning-computations

本文來自微信公眾號“量子位”（ID:QbitAI），作者：曉查，36氪經(jīng)授權(quán)發(fā)布。