比人类神经元快10亿倍！港中文、中科院「超级大脑」：1秒识图3479万张

新智元报道

编辑：桃子

【新智元导读】想象一下，一个比人类大脑快10亿倍「超级大脑」是什么概念？来自港中文、中科院物理所等机构研究人员，提出了突破性激光人工神经元，完美复刻了人类神经细胞功能，更创造了惊人的处理速度记录。

人工神经元，比人类大脑快10亿倍，将会是怎样的景象？

如今，这一科幻般的场景，早已成为了现实。

来自香港中文大学、中国科学院物理研究所等机构科学家，成功开发出了一种基于「激光」的人工神经元。

最新研究已发表在Optica期刊上。

论文地址：https://opg.optica.org/optica/fulltext.cfm?uri=optica-11-12-1690&id=565919

这个基于芯片的量子点激光器，不仅能完全模仿真实神经细胞功能，更实现了惊人的速度——

即10GBaud信号处理速度，也就意味着它比生物神经元快整整10亿倍。

基于芯片点激光器，可以模拟生物梯级神经元，同时实现10 GBaud的信号处理速度

如何理解这个速度有多快？

能够在1秒内处理1亿次心跳数据；能够在1秒内分析3479万张手写数字图像。

要知道，这个突破可能会彻底改变AI和先进计算领域，提升模式识别和序列预测的能力。

AI模仿生物神经元，飙升10亿倍

这项突破性发现，为何如此重要？

在我们的身体中，存在着不同类型的神经细胞。

其中，梯级神经元（graded neurons）是通过持续改变膜电位来编码信息，实现精细的信号处理。

相较之下，脉冲神经元（spiking neurons）则使用全有/全无的动作点位来传递信息，创造出更为二元的通信方式。

最新研究中技术的关键突破在于，创新的设计方法。

传统的光子脉冲神经元，通常通过将输入脉冲注入激光器的增益区域工作，这种方式会导致延迟，限制了神经元的响应速度。

如下图所示，是脉冲神经元和梯级神经元的在输入输出的对比图。

激光神经元，速度快能耗低

激光人工神经元能够以模仿生物神经元行为的方式，对输入信号做出响应，由于其超快的数据处理速度和低能耗，正被探索用作显着增强计算的一种方式。

然而，迄今为止开发的大多数都是光子脉冲神经元。

这些人工神经元具有有限的响应速度，可能遭受信息丢失，并且需要额外的激光源和调制器。

光子脉冲神经元的速度限制，在最新研究中被打破了。

研究团队另辟蹊径，选择将射频信号注入量子点激光器的可饱和吸收区，巧妙地避开了这一限制。

他们还为可饱和吸收区设计了高速射频板，从而产生了一个更快速、更简单、节能的系统。

港中文研究小组负责人Chaoran Huang表示，「激光梯级神经元突破了当前光子脉冲神经元的速度限制，我们构建的一个储层计算系统（reservoir computing system），在模式识别和序列预测等AI任务中展现出卓越的性能」。

激光梯级神经元在心律失常检测、图像分类等AI任务中， 展示了卓越的模式识别和序列预测

他还称，凭借强大记忆效应和出色信息处理能力，单个激光梯度神经元，可以表现得像一个小型神经网络。

因此即便是没有额外复杂连接的单个激光梯级神经元，也能高效地执行机器学习任务。

高速储层计算，1秒处理1亿次心跳数据

为了进一步展示激光梯级神经元的能力，研究团队将其用于构建储层计算系统。

这是一种使用特定网络（称为存层）来处理时间相关数据的计算方法，常用于语音识别、天气预测等领域。

激光梯级神经元的类神经元非线性动力学特性，以及快递处理速度，使其成为支持高速储层计算的理想选择。

下图所示，是储层计算（RC）的架构图。

RC源自循环神经网络，是一种功能强大且经济高效的计算框架，非常适合时间/顺序信息的处理。

它主要由输入层、存储层和读出层组成。在存储层内，非线性节点之间的互联是随机的，权重是固定的，从而避免了对存储层的训练。

这里，只有读出层需要训练，可以通过线性回归等简单且计算高效的方法来完成。

最新研究中，作者选择让激光梯级神经元充当激光储层，来执行储层计算。在输入层中，输入信号被编码为注入激光储层的电脉冲。

在具体实验中，该系统展现出令人印象深刻的性能。

比如它每秒能处理1亿次心跳数据，并以98.4%的平均准确率检测到心率失常模式。

具体来讲，研究人员使用经过处理的MIT-BIH心律失常数据集，开启了失常心跳检测的基准任务。

数据库中包含从47名受试者获得的48个半小时心电图记录摘录，是第一个可广泛用于评估心率失常检测器的测试材料。

在处理后两类MIT-BIH心率失常数据集中，原始心电图波形被重新采样，并被分成单个心跳，每个心跳由50个时间步长组成。

如下图a所示，这些心跳被分类为两组——健康组和心率失常组，分别标记为0和1。

而且，它还在各种AI应用中，展现出优秀的模式识别和序列预测能力，特别是在长期预测任务方面。

在MNIST手写数据集任务中，研究人员又评估了激光储库的分类性能。MNIST数据集包含由28×28灰度像素组成的手写数字图像。

如下图所示，通过使用六重交叉验证方法计算的平均准确度，在四类MNIST手写数字分类任务中达到92.3%。

有网友对此表示，听到这样的突破性进展，让我更加确信我们正在指数增长曲线上稳步前进。

现在的发展速度已经快到了我完全无法预测6个月后甚至一年后我们会发展到什么程度。也许我想得太超前了，但我确实能强烈感受到这些天技术进步的加速度。

那么，激光神经元的发现，意味着什么？

它能够加速AI在时间关键应用中的决策过程，保持高精度的同时，显著提升了处理速度。

若是某天它被整合到边缘计算设备中，实现更快速、更智能的人工智能系统，将会显著降低能源消耗。

研究人员表示，未来下一步，团队努力将提升激光梯度神经元的处理速度，同时开发出包含级联激光梯度神经元的深度储层的计算架构。

参考资料：

https://www.optica.org/about/newsroom/news_releases/2024/december/laser-based_artificial_neuron_mimics_nerve_cell_functions_at_lightning_speed/

https://opg.optica.org/optica/fulltext.cfm?uri=optica-11-12-1690&id=565919