NTT和东京大学设计了一种受大脑信息处理启发的新学习算法，适用于使用模拟操作的多层人工神经网络(DNN)。

　　NTT Corp.和东京大学设计了一种受大脑信息处理启发的新学习算法，适用于使用模拟操作的多层人工神经网络(DNN)。这一突破将减少AI的功耗和计算时间。这一发展的结果发表在英国科学杂志上自然通讯.

　　研究人员通过将算法应用于使用光学模拟计算的 DNN，实现了世界上第一个高效执行的光学 DNN 学习的演示，有望实现高速、低功耗的机器学习设备。此外，他们还实现了世界上使用模拟操作的多层人工神经网络的最高性能。

　　过去，高负载学习计算是通过数字计算进行的，但这一结果证明，通过使用模拟计算可以提高学习部分的效率。在深度神经网络(DNN)技术中，一种称为深储层计算的递归神经网络是通过假设光脉冲作为神经元，非线性光环作为具有递归连接的神经网络来计算的。通过将输出信号重新输入到同一光电路，人为地加深了网络。

　　DNN 技术支持先进的人工智能 (AI)，例如机器翻译、自动驾驶和机器人技术。目前，所需的功率和计算时间正在以超过数字计算机性能增长的速度增长。使用模拟信号计算(模拟操作)的DNN技术有望成为一种实现类似于大脑神经网络的高效高速计算的方法。NTT 和东京大学之间的合作开发了一种适用于模拟操作 DNN 的新算法，该算法不假设理解 DNN 中包含的学习参数。

　　该方法通过基于网络最后一层的学习参数和期望输出信号(误差信号)误差的非线性随机变换来学习。这种计算使得在光学电路等事物中实现模拟计算变得更加容易。它不仅可以用作物理实现的模型，还可以用作机器翻译和各种 AI 模型(包括 DNN 模型)等应用程序的尖端模型。这项研究有望有助于解决与AI计算相关的新问题，包括功耗和增加的计算时间。

　　除了考察本文提出的方法对具体问题的适用性外，NTT还将促进光硬件的大规模和小规模集成，旨在为未来的光网络建立一个高速、低功耗的光计算平台。