1.はじめに

これまで、我々は光の空間並列情報伝送性を生かした光ニューラルネットワークの構築を行ってきた。それらのシステムでは光アドレス型の空間光変調器であり、空間並列加算、減算及び記録機能を持つPockels readout optical modulator(PROM) をキーデバイスとして用いてきた。しかし、情報の 2次元入出力にCCDカメラ等の電気的な1次元信号を介するデバイスを用いてきたため、高速化に限界があり、また学習信号の計算を電子計算機内で行うために光の並列性や高速性を十分に生かすことができなかった。そこで、本研究ではフォトデイテクタアレイ、青色LEDアレイを用いることにより高速でかつ、学習信号の計算も光を用いて高速に行うシステムを構築し、実験を行つた。

2.光学システム

構築した光学システムを図１に示す。入力画像は多重像として液晶デバイス(LED)に表示される。想起過程においては、入力多重像とPROM上に記憶された結合荷重の重ね会わせを赤色LEDで照射し、その演算結果がPhoto Detector Arrayで検出される。検出結果はコンピュータに読み込まれ非線型演算が行なわれる。これらの操作によりニューラルネットワークの想起過程の計算が行なわれる。学習過程においてはコンピュータ内で計算されたエラー信号を青色LEDアレイを用いてマトリックス状に表示する。このエラー信号は入力多重像と重ね合わされ学習信号(結合荷重の更新値)の計算が行われ、計算結果が直接PR側に書き込まれ学習が進行する。

図１ 光学システム

3.学習実験

　 この学習システムは、大規模なネットワーク構築が可能であり、その応用例として、大きな入力ニューロン数が必要な人間の顔を学習する認識学習実験を行った。ニューラルネットワークは３層構造とし、入力層から中間層へのネットワークは２章で述べた光学システムを用い、中間層から出力層のネットワークはニューロン数が少ないことから電子計算機内で計算を行つた。入力ニューロン数は約3600、中間層ニューロン数は8、出力ニューロン数は学習する顔画像の数に合わせ３とし、学習アルゴリズムにはバックプロパゲーションを用いた。

　３人の顔画像の学習では178回の繰り返しでエラーが0.1まで減少し、３人の顔画像認識が可能なネットワークの構築に成功した。このとき、1 回の学習サイクルに必要な時間は96ミリ秒であった。この時間のほとんどは液晶デバイスの表示切替時間であり、このデバイの置き換え、及びシステムの最適化により数ミリ秒で動作するシステムの構築が可能である。よって、ビデオレートを超える画像認識、学習システムの構築が可能である。

4.まとめ

　 PROMをキーデバイスとし、青色LEDアレイ、フオトデイテクタアレイ等の並列光電子素子を用いて高速学習可能な光ニューラルネツトワークシステムを構築した。このシステムを用いて３人の顔画像認識学習実験を行い。短時間で学習を終了することができた。システムの１回の繰り返し時間は100ミリ秒以下であり、システムの改善による更なる高速化が期待できる。