据Techcrunch消息，加州大学洛杉矶分校的研究人员表示，一旦有个“层”被训练，并且反复执行所需要的计算，那么机器学习空间和CPU的占用就能被优化。这些通过一些印有复杂衍射图案的3D打印层就能够做到。机器学习无处不在，但它给我们的印象总是抽象的，是大量的数据。它安静得处于背景中，优化程序、修正音频或识别挑选画面中的面部。但这项新的技术让它变得可见，从抽象画面变成了物理模型，通过扭曲光线而不是处理数字对数据进行分析。我们所熟知的机器学习系统是对一组数据进行一系列的计算，每个数据都建立在最后一个数据或者反馈到循环中，每一次计算本身并不是很复杂。最后，这些计算出的数据会产生一个概率，即与它“学会”识别的各种模式相匹配。通过在打印层上布置数百万个微小的变换，通过光的折射弯曲，进入的光从另一个结构中出来。这种类似于神经网络的方式，使得光学字符识别系统完全在硬件中工作，几乎不需要功率和计算。为了证明这一点，研究团队训练了一个深度学习模型来识别手写数字。当计算过程确定后，他们采用矩阵数学层并将其转换为一系列光学变换。例如，一个图层可以通过将来自两者的光重新聚焦到下一层的单个区域来将值加在一起。当然，真正的计算要复杂得多。然而这项技术目前还是受到制造方面的限制，我们还难以创建能够执行一些更加苛刻处理的精度水平的衍射板。就像你需要小数点后七位的东西，印刷版本却只能精确到三位一样。尽管这项技术目前只是一个概念证明，巨型数字识别机器暂时不是迫切需要，但它依然是一项非常有趣的技术。在物理而不是数学的世界中构建光和数据的关系，这个想法或许还能证明相机在机器学习中具有一定影响力。-End-编辑：青葙子本文章图片来源于网络，侵权必删想要了解更多人工智能领域的行业动态，欢迎

转载请注明:http://www.aideyishus.com/lkgx/5994.html