Neurale netwerken hebben een gevaarlijke eigenschap: ze zijn te overmoedig. Vraag je een traditioneel AI-systeem iets waar het nooit voor getraind is, dan antwoordt het vaak met grote zelfvertrouwen — en is het antwoord toch compleet verkeerd. In ziekenhuizen, zelfrijdende auto's en andere veiligheidskritische omgevingen is dat levensgevaarlijk.
Bayesian neurale netwerken lossen dit op door niet met vaste gewichten te werken, maar met waarschijnlijkheidsverdelingen. Het nadeel: digitaal uitrekenen is veel te rekenintensief.
Licht als oplossing
Wetenschappers vonden een uitweg in de fysica zelf. Zoals beschreven in een publicatie op arxiv.org, gebruiken zij 'temporal speckle' van breedbandlicht. Die techniek benut de willekeurige interferentie tussen verschillende frequentiecomponenten in spectrale kanalen. Het resultaat: zowel het gemiddelde als de variantie van de gewichten worden onafhankelijk van elkaar optisch gecodeerd. De fysica levert zo vanzelf een probabilistische representatie.
Het grote voordeel? Eén breedbandige lichtbron kan meerdere probabilistische gewichten parallel opslaan. Het systeem genereert ongecorreleerde monsters zonder complexe digitale generatoren voor willekeurige getallen. In een preprint op researchsquare.com wordt uitgelegd dat dit de rekenkundige flessenhals van Bayesian inferentie effectief wegneemt.
Elke 37,5 picoseconde een berekening
De technologie is gerealiseerd in een ultrafast fotonische processor. Die voert elke 37,5 picoseconde een probabilistische convolutie uit. Daardoor kan het systeem tegelijk classificaties maken én direct detecteren wanneer data buiten de bekende distributie valt — 'out-of-distribution detection'. De AI 'weet' hierdoor effectief wanneer hij het niet zeker weet.
Getest met bloedcellen
De onderzoekers testten de processor met afbeeldingen van bloedcellen. Zoals beschreven via sciety.org, classificeerde het systeem bekende bloedcellen correct, terwijl celtypen die niet in de trainingsset zaten accuraat als 'onbekend' werden gemarkeerd. Het systeem onderscheidde bovendien 'epistemische nieuwigheid' (gebrek aan kennis over de data) van 'aleatorische ambiguïteit' (inherente ruis in de waarneming), gebaseerd op standaard benchmarks voor onzekerheid.
Het onderzoek is een samenwerking tussen diverse experts, waaronder Wolfram Pernice en Frank Brückerhoff-Plückelmann. De meest recente revisie van hun bevindingen werd gedeeld via een researchsquare.com op Research Square.
Door waarschijnlijkheidsverdelingen direct in de fluctuaties van licht te programmeren, opent dit een weg naar een nieuwe generatie fotonische AI: extreem snel én in staat om de eigen onzekerheid te kwantificeren.
🧠 Even simpel uitgelegd
Stel je een AI voor als een student die een examen maakt. Een gewone AI geeft altijd een antwoord, ook als het eigenlijk geen idee heeft. Een Bayesian AI mag ook zeggen: "Ik weet het niet zeker." Dat is veiliger, maar digitaal berekenen kost enorm veel rekenkracht. Deze onderzoekers lossen dat op met licht: ze laten lichtgolven elkaar op willekeurige manieren verstoren (interferentie), en die willekeur gebruiken ze als natuurlijke 'twijfel' in de AI. Het licht doet het rekenwerk dus zelf — razendsnel, want elke 37,5 picoseconde (dat is 0,0000000000375 seconde) voltooit de processor een berekening.