Moku 3.3版更新在 Moku:Pro 平臺(tái)新增了全新的儀器功能【神經(jīng)網(wǎng)絡(luò)】，使用戶能夠在Moku設(shè)備上部署實(shí)時(shí)機(jī)器學(xué)習(xí)算法，進(jìn)行快速、靈活的信號(hào)分析、去噪、傳感器調(diào)節(jié)校準(zhǔn)、閉環(huán)反饋等應(yīng)用。如果您不熟悉神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)知識(shí)，或者想了解神經(jīng)網(wǎng)絡(luò)如何優(yōu)化加速實(shí)驗(yàn)研究，請繼續(xù)閱讀，探索基于深度學(xué)習(xí)的現(xiàn)代智能化實(shí)驗(yàn)的廣闊應(yīng)用前景。

什么是神經(jīng)網(wǎng)絡(luò)？

“人工神經(jīng)網(wǎng)絡(luò)”（ANN）又稱“神經(jīng)網(wǎng)絡(luò)”，是一種模仿生物神經(jīng)網(wǎng)絡(luò)的計(jì)算模型。在這篇介紹中，我們將側(cè)重介紹全連接神經(jīng)網(wǎng)絡(luò)，不涉及卷積、遞歸和變壓器架構(gòu)等復(fù)雜設(shè)置。

神經(jīng)網(wǎng)絡(luò)由各層節(jié)點(diǎn)組成。一個(gè)節(jié)點(diǎn)的值取決于上一層一個(gè)或多個(gè)節(jié)點(diǎn)的值。第一層（輸入）的節(jié)點(diǎn)直接從外部輸入獲取其值，而最后一層（輸出）的節(jié)點(diǎn)則給出網(wǎng)絡(luò)的結(jié)果。輸入層和輸出層之間的層被稱為隱藏層。

用數(shù)學(xué)術(shù)語來說，可以把輸入層想象成一個(gè) N ? 1 矩陣，其中 N 是輸入層的節(jié)點(diǎn)數(shù)，矩陣中的每個(gè)元素都對應(yīng)激活值，如圖 1 所示。

圖 1：典型神經(jīng)網(wǎng)絡(luò)架構(gòu)，包含輸入層、隱藏層和輸出層。

接下來是隱藏層。隱藏層的數(shù)量及其節(jié)點(diǎn)數(shù)取決于模型的復(fù)雜性和可用的計(jì)算能力。隱藏層的每個(gè)節(jié)點(diǎn)會(huì)對輸入層的激活值應(yīng)用不同的權(quán)重和偏置，然后通過非線性激活函數(shù)處理。通過這種方式，神經(jīng)網(wǎng)絡(luò)不僅能執(zhí)行簡單的線性運(yùn)算，還能解決復(fù)雜的非線性問題。

圖 2：隱層的激活值是通過上一層激活值的組合計(jì)算得出的。

如果輸入層是一個(gè) N ? 1 矩陣（n1、n2......），那么下一個(gè)激活值就是將其與一個(gè) M ? N 矩陣相乘得到的，其中 M 是隱藏層的節(jié)點(diǎn)數(shù)。矩陣中的每個(gè)元素都是一個(gè)權(quán)重，用 wmn 表示，這意味著每一層都需要 MN 個(gè)參數(shù)。結(jié)果是一個(gè) M ? 1 矩陣，然后用偏置值（b1、b2......）抵消。計(jì)算出新的激活值后，將其傳遞給“激活函數(shù)”。激活函數(shù)可以提供非線性行為，如剪切和歸一化，能使網(wǎng)絡(luò)比簡單的矩陣乘法更強(qiáng)大。

數(shù)據(jù)經(jīng)過幾個(gè)隱藏層處理后，最終到達(dá)輸出層。輸出節(jié)點(diǎn)的激活值對應(yīng)用于分類或預(yù)測相關(guān)參數(shù)。例如，從示波器收集的時(shí)間序列數(shù)據(jù)被輸入到輸入層，達(dá)到將信號(hào)分類為正弦波、方波、鋸齒波或直流信號(hào)的神經(jīng)網(wǎng)絡(luò)目的。在輸出層中，每個(gè)節(jié)點(diǎn)將對應(yīng)其中一個(gè)選項(xiàng)，激活值最高的節(jié)點(diǎn)代表網(wǎng)絡(luò)對信號(hào)形式的最佳猜測。如果一個(gè)激活值接近 1，而其他激活值接近0，則表示網(wǎng)絡(luò)猜測的可信度很高。如果激活值相近，則表示對預(yù)測結(jié)果的信心不足。

神經(jīng)網(wǎng)絡(luò)是如何工作的？

如果不調(diào)整隱藏層的權(quán)重和偏置，神經(jīng)網(wǎng)絡(luò)最終只能是一個(gè)復(fù)雜的隨機(jī)數(shù)生成器。為了提高模型的準(zhǔn)確性，用戶必須提供訓(xùn)練數(shù)據(jù)，即使用已知答案的訓(xùn)練數(shù)據(jù)集優(yōu)化模型。然后，模型可以根據(jù)訓(xùn)練集計(jì)算出自己的答案，并與真實(shí)值進(jìn)行比較。計(jì)算出的差值被稱為成本函數(shù)，是對模型性能的量化評估。

計(jì)算出給定數(shù)據(jù)集的成本函數(shù)后，就可以通過各種微積分運(yùn)算來調(diào)整隱藏層的權(quán)重和偏置，從而達(dá)到最小化成本函數(shù)的目標(biāo)。這與向量微積分中的梯度下降概念類似，可在文獻(xiàn)[1]中進(jìn)一步探討。這一過程被稱為反向傳播（backpropagation），它允許通過成本函數(shù)獲得的信息在各層中向后傳遞，從而使模型在無需人工輸入的情況下進(jìn)行學(xué)習(xí)或自我調(diào)整。

訓(xùn)練數(shù)據(jù)通常會(huì)在神經(jīng)網(wǎng)絡(luò)中運(yùn)行多次。提供給模型的每個(gè)數(shù)據(jù)實(shí)例被稱為一個(gè)歷元。通常情況下，部分訓(xùn)練數(shù)據(jù)會(huì)被保留用于驗(yàn)證。在驗(yàn)證過程中，訓(xùn)練有素的網(wǎng)絡(luò)將從保留的數(shù)據(jù)集中推斷輸出，并將其預(yù)測結(jié)果與已知的正確輸出進(jìn)行比較。這比單純的成本函數(shù)值更能準(zhǔn)確反映模型的性能，因?yàn)樗砻髁四Ｐ蛯π螺斎牒托螺斎氲姆夯芰Α?/p>

神經(jīng)網(wǎng)絡(luò)有哪些不同類型？

神經(jīng)網(wǎng)絡(luò)的運(yùn)行原理雖然相似，但根據(jù)應(yīng)用的不同可以有多種形式。常見的神經(jīng)網(wǎng)絡(luò)包括

前饋神經(jīng)網(wǎng)絡(luò)（FNN）：這是標(biāo)準(zhǔn)格式，如上述示例中討論的格式。在前饋神經(jīng)網(wǎng)絡(luò)中，數(shù)據(jù)通過網(wǎng)絡(luò)向前傳遞，不需要任何反饋，也不需要記憶之前的輸入。典型的應(yīng)用例子比如圖像識(shí)別，每個(gè)像素都是神經(jīng)網(wǎng)絡(luò)的輸入，而輸出則是對該圖像的分類。

卷積神經(jīng)網(wǎng)絡(luò)（CNN）：這是 FNN 的一種子類型，通常通過使用濾波器來檢測圖像中的特征。由于圖像的尺寸通常很大，這些濾波器的作用是將輸入圖像的尺寸縮小到更小的權(quán)重?cái)?shù)。這樣，隱層中的每個(gè)神經(jīng)元就可以在整個(gè)輸入中掃描相同的特征，因此CNN 在處理圖像識(shí)別任務(wù)具有很高魯棒性。

遞歸神經(jīng)網(wǎng)絡(luò)（RNN）：與前饋網(wǎng)絡(luò)不同，RNN 在隱藏層中使用反饋。反饋機(jī)制為系統(tǒng)提供了記憶，因此給定層的輸出可以取決于先前的輸入。這使得 RNN 成為時(shí)間序列、語音和音頻數(shù)據(jù)等連續(xù)數(shù)據(jù)集的絕佳選擇。

自動(dòng)編碼器：自動(dòng)編碼器是一種特殊的神經(jīng)網(wǎng)絡(luò)，它能將給定數(shù)據(jù)編碼到一個(gè)縮小的維度空間，然后從編碼數(shù)據(jù)中重建或解碼。從概念上講，這與統(tǒng)計(jì)和生物信息學(xué)中常用的主成分分析(PCA)非常相似。

神經(jīng)網(wǎng)絡(luò)在信號(hào)處理中的應(yīng)用

神經(jīng)網(wǎng)絡(luò)不僅在大型語言模型、圖像解密和翻譯等方面具有廣泛應(yīng)用，還能顯著提升信號(hào)處理中的測量性能。利用機(jī)器學(xué)習(xí)改進(jìn)測量設(shè)置的應(yīng)用包括：

控制系統(tǒng)：在某些復(fù)雜系統(tǒng)中，很難事先知道實(shí)現(xiàn)特定控制狀態(tài)所需的輸入，或者系統(tǒng)模型難以反向推導(dǎo)。在這種情況下，可使用波形發(fā)生器或函數(shù)發(fā)生器對系統(tǒng)進(jìn)行探測，同時(shí)使用示波器監(jiān)控系統(tǒng)的響應(yīng)狀態(tài)。然后，神經(jīng)網(wǎng)絡(luò)根據(jù)當(dāng)前狀態(tài)與目標(biāo)控制之間的差異學(xué)習(xí)反向映射。與 PID 控制器結(jié)合使用，可實(shí)現(xiàn) PID 參數(shù)的自適應(yīng)調(diào)整[2]。

傳感器校準(zhǔn)：神經(jīng)網(wǎng)絡(luò)可以獲取傳感器數(shù)據(jù)并補(bǔ)償系統(tǒng)誤差，如電纜的相位失真或延遲，或光電探測器的光束偏差。這種方法可在數(shù)據(jù)進(jìn)入下一階段實(shí)驗(yàn)前進(jìn)行實(shí)時(shí)修正，提高測量精度。

信號(hào)去噪：這種技術(shù)利用神經(jīng)網(wǎng)絡(luò)作為自動(dòng)編碼器，提取信號(hào)的關(guān)鍵特征，然后根據(jù)這些特征重建信號(hào)。由于隨機(jī)噪聲不屬于關(guān)鍵特征，重建后的信號(hào)本質(zhì)上就是經(jīng)過去噪的信號(hào)，即神經(jīng)網(wǎng)絡(luò)充當(dāng)了高效的噪聲濾波器。

信號(hào)分類：神經(jīng)網(wǎng)絡(luò)可將時(shí)間序列等輸入信號(hào)與已知模板或一系列模板進(jìn)行比較。這樣，用戶就能快速對信號(hào)類別進(jìn)行分類，識(shí)別數(shù)據(jù)集中的異常值或錯(cuò)誤，檢測隨機(jī)事件，或根據(jù) IQ 正交振幅量子態(tài)進(jìn)行分類[3]。

圖 3：經(jīng)過神經(jīng)網(wǎng)絡(luò)處理后的去噪重建信號(hào)。

基于 FPGA 的神經(jīng)網(wǎng)絡(luò)有哪些優(yōu)勢？

神經(jīng)網(wǎng)絡(luò)通常是在 CPU 和/或 GPU 的組合上構(gòu)建和運(yùn)行的。這在處理大型模型時(shí)非常有效，但同時(shí)也對資源和能耗要求較高。對于前面提到的信號(hào)處理應(yīng)用類型來說往往也是過度的。

FPGA具有高速處理及并行能力，使得神經(jīng)網(wǎng)絡(luò)在處理實(shí)時(shí)數(shù)據(jù)時(shí)具備低延遲和高效的資源利用率。與傳統(tǒng)的GPU/CPU相比，基于 FPGA 的神經(jīng)網(wǎng)絡(luò)非常適合實(shí)驗(yàn)情況，因?yàn)樗鼈兲幚韺?shí)時(shí)數(shù)據(jù)的速度快，無需與主機(jī) PC 通信就能實(shí)現(xiàn)快速控制和決策。FPGA 還可以根據(jù)用戶需求變化重新調(diào)整配置，靈活性強(qiáng)。最后，由于 FPGA 體積小巧，在FPGA 上實(shí)現(xiàn)的神經(jīng)網(wǎng)絡(luò)有助于減少資源和能源消耗[4][5]。

Moku神經(jīng)網(wǎng)絡(luò)是什么?

Moku基于FPGA開發(fā)了一些列靈活、可快速重新配置的測試和測量儀器套件外， Moku:Pro 現(xiàn)在還新增 Moku 神經(jīng)網(wǎng)絡(luò) 功能。得益于 FPGA 的可重構(gòu)性性和快速處理速度，神經(jīng)網(wǎng)絡(luò)可與其他 Moku 儀器（如波形發(fā)生器、 PID 控制器和示波器）一起使用，優(yōu)化信號(hào)分析、去噪、傳感器調(diào)節(jié)和閉環(huán)反饋等應(yīng)用場景解決方案。

用戶可以使用 Python 開發(fā)和訓(xùn)練自己的神經(jīng)網(wǎng)絡(luò)，并在多儀器并行模式下將訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)上傳到 Moku:Pro 。這樣就可以實(shí)現(xiàn)多達(dá)四個(gè)輸入通道或一個(gè)通道的時(shí)間序列數(shù)據(jù)分析，以及多達(dá)四個(gè)輸出用于實(shí)時(shí)實(shí)驗(yàn)數(shù)據(jù)處理，所有這些都可以在一臺(tái) Moku:Pro 上完成。Moku 神經(jīng)網(wǎng)絡(luò)具有多達(dá)五個(gè)全連接層，每個(gè)層包含多達(dá) 100 個(gè)神經(jīng)元，并根據(jù)您的應(yīng)用提供五種不同的激活函數(shù)選項(xiàng)，以適應(yīng)不同應(yīng)用需求。