Самарские ученые разработали схему оптических трансформеров, превосходящих по точности работы обычные цифровые

Разработка позволит в перспективе оснащать БПЛА автономным и энергоэффективным искусственным интеллектом.

Ученые Самарского университета им. Королёва 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. В отличие от цифровых нейросетей оптические обладают гораздо большей скоростью работы и энергоэффективностью, не требуя наличия мощного электропитания, однако они пока уступают цифровым в точности обработки данных.

Учеными университета предложен 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. 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", – рассказал профессор Артем Никоноров, директор Института искусственного интеллекта и руководитель Центра "Интеллектуальная мобильность многофункциональных беспилотных авиационных систем" Самарского университета им. Королёва.

По его словам, 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.