Новое исследование показало, что нейронная сеть, имитирующая мозг, которая использует фотоны вместо электронов, может быстро анализировать огромные объемы данных, выполняя множество вычислений одновременно, используя тысячи длин волн света.
Искусственные нейронные сети все чаще находят применение в таких приложениях, как анализ медицинских сканирований и поддержка автономных транспортных средств. В этих системах искусственного интеллекта компоненты (также известные как нейроны ) получают данные и взаимодействуют для решения проблемы, например, распознавания лиц . Нейронная сеть называется « глубокой », если она содержит несколько слоев нейронов.
По мере того, как нейронные сети растут в размерах и мощности, они становятся все более энергоемкими при работе на обычной электронике. Вот почему некоторые ученые рассматривают оптические вычисления как многообещающую среду искусственного интеллекта следующего поколения. Этот подход использует свет вместо электричества для выполнения вычислений быстрее и с меньшими затратами энергии, чем его электронные аналоги.
Например, дифракционная оптическая нейронная сеть состоит из набора слоев, каждый из которых содержит тысячи пикселей, способных дифрагировать или рассеивать свет. Эти дифракционные особенности служат нейронами в нейронной сети. Глубокое обучение используется для проектирования каждого слоя, поэтому, когда входные данные в виде света падают на стек, выходной свет кодирует данные сложных задач, таких как классификация изображений или реконструкция изображений. Все эти вычисления «не потребляют энергии, за исключением освещения», — говорит старший автор исследования Айдоган Озджан, инженер-оптик из Калифорнийского университета в Лос-Анджелесе.
Такие дифракционные сети могли бы анализировать большие объемы данных со скоростью света для выполнения таких задач, как идентификация объектов. Например, они могут помочь автономным транспортным средствам мгновенно распознавать пешеходов или дорожные знаки или помочь медицинским диагностическим системам быстро выявлять признаки заболевания. Обычная электроника должна сначала отображать эти объекты, затем преобразовывать эти сигналы в данные и, наконец, запускать программы, чтобы выяснить, что это за объекты. Напротив, дифракционным сетям нужно только принимать свет, отраженный или иным образом поступающий от этих предметов — они могут идентифицировать объект, потому что свет от него в основном дифрагирует в сторону одного пикселя, назначенного этому типу объекта. Ранее Озджан и его коллеги разработали монохроматическую дифракционную сеть, используя серию тонких полимерных пластин площадью 64 квадратных сантиметра, изготовленных с помощью 3D-печати. При освещении светом одной длины волны или цвета эта дифракционная сеть может реализовать операцию умножения одной матрицы . Эти вычисления, включающие перемножение сеток чисел, известных как матрицы, являются ключом ко многим вычислительным задачам, включая работу с нейронными сетями.
Теперь исследователи разработали широкополосный дифракционный оптический процессор, который может одновременно принимать несколько входных длин волн света для выполнения до тысячи операций матричного умножения, «выполняемых одновременно со скоростью света», — говорит Озкан.
В новом исследовании ученые напечатали на 3D-принтере три дифракционных слоя, каждый из которых имеет 14 400 дифракционных характеристик. Их эксперименты показали, что дифракционная сеть может успешно работать с использованием двух субмиллиметровых терагерцовых каналов. Их компьютерные модели предполагали, что эти дифракционные сети могут одновременно принимать до 2000 каналов длин волн.
«Мы продемонстрировали возможности массовых параллельных оптических вычислений, используя схему мультиплексирования длин волн », — говорит Озкан.
Ученые отмечают, что должно оказаться возможным построить дифракционные сети, использующие видимые и другие частоты света, отличные от терагерцовых. Такие оптические нейронные сети также могут быть изготовлены из самых разных материалов и с использованием различных технологий.
В целом, они «могут найти применение в различных областях, включая, например, биомедицинскую визуализацию, дистанционное зондирование, аналитическую химию и материаловедение», — говорит Озджан.