Neuraal netwerk op basis van licht herkent letters

Onderzoekers van de University of California Los Angeles (UCLA) hebben een eenvoudig neuraal netwerk gebouwd dat met behulp van licht handgeschreven letters kan herkennen met een nauwkeurigheid van iets meer dan 90 procent.

Het trainen van een neuraal netwerk is complexe en tijdrovende zaak waarvoor veel computerkracht nodig is. Daarna is het gebruik echter veel minder rekenintensief en kan op simpeler apparatuur worden uitgevoerd. Dat principe hebben de UCLA-onderzoekers verder getrokken, legt ArsTechnica uit.

De Amerikaanse onderzoekers hebben een neuraal netwerk getraind op het herkennen van geschreven letters. Zo'n neuraal netwerk bestaat uit verschillende lagen waarbij in een laag een bewerking wordt uitgevoerd en het resultaat naar de volgende laag wordt doorgezet. Waar de informatie naar toe wordt gestuurd en hoe sterk het signaal is dat een laag doorgeeft, is het gevolg van de training van het neuraal netwerk.

Licht volgt principe van neuraal netwerk

De onderzoekers hebben dit principe van een softwarematig neuraal netwerk gebruikt om met licht dezelfde resultaten te krijgen. Daarvoor gebruikten ze platen lichtdoorlatend materiaal dat door een 3D oppervlaktestructuur een afbuiging in de lichtbaan introduceert. De structuur in het materiaal bepaalt dus waar het licht naar toe gaat en met welke intensiteit. Door meer van die lagen achter elkaar te plaatsen, wordt het licht naar een bepaalde plek gedirigeerd.

Vervolgens heeft het UCLA-team heeft het getrainde softwarematige neurale netwerk ontleed en gekeken welke verbindingen dit maakt tussen de verschillende lagen. Vervolgens hebben ze die paden vertaald naar oppervlakte-eigenschappen op een manier dat het licht dezelfde paden volgt. Door verschillende lagen op die manier te printen, weten ze dat het licht op een specifieke plek geconcentreerd raakt. Achter de laatste laag staan fotosensoren die registeren waar het licht terecht komt. Zo kunnen zij registreren welk besluit het neurale netwerk heeft genomen. Om het neurale netwerk van input te voorzien plaatsten de onderzoekers een masker dat de juiste afbeelding op de eerste laag projecteert.

Onnauwkeurigheid geïntroduceerd

Die laatste stap leverde wel problemen op. Om een 3D masker te maken van de handgeschreven letters moesten negatieven worden gemaakt. Daarbij liepen ze aan tegen het feit dat sommige cijfers (bijv een 0 en een 9) een ingevulde vorm bevatten met daaromheen een open vorm die normaal het geschreven deel van de letter vertegenwoordigt. Dat is lastig in een 3D printer: Er is altijd materiaal nodig om de gevulde vorm op zijn plek te houden. Dat is de voornaamste oorzaak dat de nauwkeurigheid van het lichtsysteem met net iets meer dan 90 procent lager was dan het softwarematige neurale netwerk. Meer lagen toevoegen verbeterde om diezelfde reden niet de overall prestaties van het systeem.

De onderzoekers hebben hun bevindingen gepubliceerd in het toonaangevende wetenschappelijk tijdschrift Science.