深度学习，现在已经成立几乎每一个图像识别、语音识别、机器翻译系统的标配组件，而它的缺点也一直在被各界人士吐槽：
不够快，太耗能，不可解释……
加州大学洛杉矶分校（UCLA）的一组科学家们，就要从另一个角度，来解决不够快和能耗高的问题。
UCLA电子工程系教授Aydogan Ozcan带着自己的团队，把神经网络从芯片上搬到了现实世界中，依靠光的传播，实现几乎零能耗、零延迟的深度学习。
这个解决方案叫做D2NN：衍射深度神经网络（Diffractive Deep Neural Network）。它是光学工具、3D打印和神经网络的结合。
他们的成果，登上了Science。
这个系统有着传统神经网络无法匹敌的优点：一是更快，在D2NN里，信息传递的速度，等于光速；二是能耗接近于0：除了最开始要提供一个光源之外，就不再需要耗电了。
D2NN由多个衍射层构成，一层上的每一个点都相当于神经网络的一个神经元。它的训练方式和深度学习一样，只不过得到的不是神经元的权重，而是神经元的透光/反射系数。
训练完成，得到D2NN的最终设计，就到了制造阶段。这些衍射层会被3D打印出来，在它学会的任务上做推断。
在推断过程中，在这个神经网络中传递的并不是人类可见的光，而是0.4太赫兹频率的单色光。Ozcan将D2NN比作用光来连接神经元、传递信息的实体大脑。
Ozcan团队在这项研究中，制造了不同类型的D2NN，有用来给图像分类的（上图B），有用来成像的（上图C）。
一个D2NN设计出来、打印完成后，还可以继续优化。
比如说，科学家们针对MNIST手写数字识别任务，训练了一个5层的D2NN，每一层的尺寸是8cm×8cm，达到了91.75%的准确率。
然后，他们又为这个D2NN加了两层，来优化性能。于是，这个7层网络在MNIST上的分类准确率达到了93.39%。
在比MNIST稍微复杂一些的基准数据集Fashion-MNIST上，5层的D2NN最高实现了86.33%的准确率。
当然，D2NN现在还只能算是个婴儿，和卷积神经网络现在动辄99%的准确率没法比。
接下来，Ozcan团队还打算制造尺寸更大、层数更多的D2NN。
说不定有一天，这种新型的神经网络强大起来，我们会对不需耗电就能识别人脸的摄像头习以为常。
论文在此：
http://innovate.ee.ucla.edu/wp-content/uploads/2018/07/2018-optical-ml-neural-network.pdf
原文发布时间为：2018-07-29
本文来自云栖社区合作伙伴“量子位”，了解相关信息可以关注“量子位”。
