量子科技中心_量科网

深度学习对计算资源的高需求推动了对替代性计算方法的探索。物理神经网络（PNNs）作为一种替代方案，其学习和推理过程直接通过物理现象实现。当底层神经元由随机激活开关的动态特性实现时，便形成了随机物理神经网络。本研究提出了新型电子与光子随机神经元：电子实现方案通过量子点单电子隧穿效应构建，光子方案则利用可控分束器耦合双模中的单光子源驱动。在电子系统中，量子点电荷态构成随机神经元的基础；光子系统中则以非驱动模的占据态作为随机神经元载体。 针对随机物理神经网络的训练，研究采用了两种模型：随机神经元模型与前期提出的相干驱动单光子探测器随机神经元。通过单隐层随机物理神经网络，团队探究了多种MNIST手写数字分类训练策略，包括调节每层试验次数以控制前向传播随机性，以及在后向传播中采用真实概率输出或经验输出以评估其对梯度估计的影响。实验表明，当后向传播使用经验输出时，即使每层仅进行少量试验，网络仍能取得97%以上的测试准确率。尽管模型架构简单，但在高噪声和模型不确定性的条件下仍能保持优异的测试性能。这些成果证明了随机物理神经网络在深度学习领域的应用潜力。