Специалисты разработали новый подход к созданию оптических трансформеров – нейросетевых блоков, лежащих в основе современных больших ИИ моделей, способных анализировать и классифицировать изображения и человеческую речь и использующих для обработки данных потоки фотонов и наборы оптических компонентов.
Фото: Самарский государственный университет.
Ученые университета предложили новый подход к организации оптического умножения матриц, который, как показали многочисленные эксперименты, позволяет оптическим трансформерам превзойти классические цифровые нейросети по точности работы.
Исследование проведено на базе Исследовательского центра в сфере искусственного интеллекта второй волны, созданного в Самарском университете им. Королёва в рамках федерального проекта "Искусственный интеллект".
Научная статья с результатами исследования принята к публикации в рамках одной из наиболее престижных международных конференций в области сенсорных систем и интернета вещей – ACM SenSys (ACM Conference on Embedded Networked Sensor Systems), которая пройдет в мае 2026 года во Франции.
Сейчас основной мировой тренд в разработке оптических нейросетей – это попробовать догнать цифровые нейросети по уровню точности работы, рассказал директор Института искусственного интеллекта и руководитель Центра "Интеллектуальная мобильность многофункциональных беспилотных авиационных систем" Самарского университета им. Королёва профессор Артем Никоноров.
"Нам первыми удалось показать, что это реально возможно – догнать и даже перегнать цифровые нейросети, если брать оптические трансформерные модели. Полученный результат – это совместное достижение специалистов по оптике и искусственному интеллекту. Сама по себе схема оптического матричного умножения, использованная нами, достаточно известная, мы ее модифицировали, заменив, где возможно, классические элементы на дифракционные. Но главное – нам удалось по-новому посмотреть на погрешность умножения. При оптическом умножении чем больше размерность матриц – двумерных массивов данных, тем больше получается погрешность. Но нам удалось реализовать численную модель оптического умножения внутри процесса обучения нейросети. И оказалось, что в этом случае нейросеть сама компенсирует погрешность умножения, без ущерба для финальной точности".
Фото: Самарский государственный университет.
По словам Никонорова, оптическое умножение имеет ряд параметров, и эти параметры также оптимизируются в процессе обучения нейросети, что позволяет не просто компенсировать погрешность, а даже улучшить точность по сравнению с цифровым аналогом.
"Похоже, что это работает как некоторая обобщенная, параметризированная версия матричного умножения, которая подстраивается под нашу задачу в процессе обучения трансформера. Получается, так сказать, "персонализация" матричного умножения под конкретную задачу. Более того, в схему оптического трансформера можно внести элемент, отвечающий за дополнительную параметризацию, и тогда точность нейросети вырастает еще больше".
Высокое энергопотребление огромного количества вычислителей-графических карт – это один из главных сдерживающих факторов в развитии искусственного интеллекта. Использование оптических вычислений – один из восходящих трендов в преодолении этого ограничения. Будущее определённо за оптикой. На основе оптических нейросетей в перспективе можно будет создавать высокопроизводительные и при этом энергоэффективные и компактные системы искусственного интеллекта для самых различных устройств и объектов, например, для беспилотных летательных аппаратов, для робототехнических и автономных систем, интернета вещей, уверен Артем Никоноров.
В ближайших планах исследовательской группы – работы по созданию аппаратного прототипа модифицированного оптического трансформера, в том числе пригодного для использования на борту дронов.