曉查 發自 凹非寺

量子位 | 公眾號 QbitAI

用喇叭識別手寫數字？

聽起來好像是玄學，但這其實是正經的Nature論文啊。

下面的圖，表面上看起來是個改造過的喇叭，其實用它來識別手寫數字，正確率接近90%。

這就是來自康奈爾大學的物理學家們整出的新花樣。

他們用揚聲器、電子器件、激光器，分別造出了聲學、電學、光學版的物理神經網絡（PNN）。

而且以上這些神經網絡還能用反向傳播算法執行訓練。

物理學家整出PNN的原因是：摩爾定律已死，我們要用物理系統拯救機器學習。

據這篇文章所說，和軟件實現的神經網絡相比，PNN有希望將機器學習的能效和速度提高好幾個數量級。

如何用物理反向傳播

科學家之所以能用物理設備搭建神經網絡，是因為物理實驗與機器學習的本質都是一樣的——調參、優化。

物理學中存在著非常多的非線性系統（聲學、電學、光學都有），能和人工神經網絡一樣用來逼近任意函數，。

聲學的神經網絡就是這樣的。

兩位做實驗的博士后拆掉了揚聲器上方的振膜，將方形的鈦金屬板和喇叭動圈相連。

來自計算機的接收控制信號以及金屬板震蕩產生的輸入信號，再把信號輸出到揚聲器上，由此制造了一個反饋閉環。

至于如何進行反向傳播，作者提出了一種混合物理世界與計算機的算法，稱為“物理感知訓練” (PAT)，可以反向傳播直接訓練任何物理系統來執行深度神經網絡的通用框架。

在聲學神經網絡系統中，振蕩板接收由MNIST圖像改造的聲音輸入樣本（紅），在驅動振動板后，信號由麥克風記錄（灰），并及時數模轉換為輸出信號（藍）。

整個物理系統的流程如下圖：先將數字信號轉換為模擬信號，輸入進物理系統中，然后將輸出與真實結果對比，經過反向傳播后，調整物理系統的參數。

通過對揚聲器參數的反復調試，他們在MNIST數據集上達到了87%的正確率。

也許你會問，訓練過程中還是要用到計算機啊，這有什么優勢？

的確，PNN在訓練上可能并不占優勢，但PNN的運行靠的是物理定律，一旦網絡訓練完成，就無需計算機介入，在推理延時和功耗上都具有優勢。

而且PNN在結構上比軟件版的神經網絡簡單多了。

還有電學和光學版

除了聲學版，研究人員還打造了電學版和光學版神經網絡。

電學版使用了四個電子元器件電阻、電容、電感和三級管，就像中學物理實驗一樣，電路極其簡單。

這套模擬電路PNN能夠以93%的測試準確率執行MNIST圖像分類任務。

而光學版最為復雜，近紅外激光通過倍頻晶體被轉化為藍光，不過這套系統的準確率最高，能夠達到97%。

另外，這套光學系統還能對語音進行簡單的分類。

以上所用到的物理系統訓練算法PAT可以用于任何系統，你甚至可以用它來打造流體乃至機械朋克版神經網絡。

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