一种由3D打印机制造的机械神经元

通过识别手写数字构建的人工神经网络一直以来都是重要的研究课题，手写数字往往因书写风格差异、上下文无关及识别准确度高等要求导致识别难度大，因此针对手写数字的研究有重大意义。

前段时间，我们报道了钱璐璐团队通过生物化学实验，利用 DNA 开发人工智能神经网络识别手写数字。此次，来自加州大学洛杉矶分校的研究团队Xing Lin 、Yair Rivenson 等人，又从机械层面模拟神经元过程，以识别手写数字。

要知道，我们通常所见的神经网络学习模型只是对一组数据进行一系列计算。最终，这些简单的数学计算会得出一个概率值，即输入的数据与机器“学会”识别的各种模式的匹配程度。但事实是，一旦机器训练后得到最终数值，那么它将很大程度上一遍又一遍地执行相同运算。这通常表明它可以被优化，且不会占用太多的空间或 CPU 功耗。

但研究表明，这一过程实际上也可以被固化。

据了解，该团队人员发明了一种由 3D 打印机制造的机械神经元，该神经元由印有复杂衍射图案的 3D 打印透明材料层构成，其采用的算法可通过分析透过衍射图案的光线对数字进行数学运算。

如上图所示，更形象点理解的话，就是机械式计算器。过去，计算器使用的是实际的机械部件，也就是某位数计算到 10 时就会向前挪一位，现在这些运算都是以计算机逻辑完成数字化运行。因此从某种程度上讲，实验中的“衍射深度神经网络”类似于这种状况，这是说它使用和操纵数字的过程是以物理过程而非数字化进行的。

研究人员表示，“每一层上的任何一点可投射或反射入射波，这相当于利用光学散射相互连接了每个人造神经元。通过改变光线间的相位和振幅，每个‘神经元’是可调整的。”

“我们的全光衍射深度神经网络（Diffractive Deep Neural Network (D2NN)）能够以光速执行计算机神经网络可实现的各种复杂功能。相比之前几种光学信号处理技巧，这是最简单的。

它可以实现手写数字和时尚产品的图像识别，以及太赫兹光谱成像镜头的功能。

它也可以在光速环境下执行计算机神经网络可实现的各种复杂功能，并且可以在全光学图片分析、特征检测和对象分类中找到应用，同时还可以实现新的拍照设计和光学组件使用 D2NN 完成特殊的任务。”

研究人员在《科学》杂志上发表的论文中写道。

为了证明这一点，他们训练了一个深度神经网络模型来识别手写数字。如果运算结束，他们会采用矩阵数学层并将其转换成一系列光学转化。例如，一个图层可以通过将来自另外两层的光重新聚焦到下一图层的某个区域完成数值加减。不过，真正的计算要比这个复杂得多。

通过在 3D 印刷版上布置数百万个微小的转换器，光线从一端到另一端出来的过程，系统可以判断这个数字是否为1、2、3，结果最终识别准确率高达90%以上。