Silicon Photonic Neural Network afsløret

Neurale netværk tager computerverdenen med storm. Forskere har brugt dem til at skabe maskiner, der lærer en lang række færdigheder, som tidligere havde været menneskets unikke forbehold – genkendelse af objekter, ansigtsgenkendelse, naturlig sprogbehandling, maskinoversættelse. Alle disse færdigheder og mere er nu ved at blive rutine for maskiner.

Så der er stor interesse for at skabe mere dygtige neurale netværk, der kan rykke grænserne for kunstig intelligens endnu længere. Fokus for dette arbejde er at skabe kredsløb, der fungerer mere som neuroner, såkaldte neuromorfe chips. Men hvordan gør man disse kredsløb væsentligt hurtigere?

I dag får vi et slags svar takket være arbejdet fra Alexander Tait og venner på Princeton University i New Jersey. Disse fyre har bygget en integreret silicium fotonisk neuromorf chip og viser, at den beregner ved ultrahurtige hastigheder.



Optisk computing har længe været datalogiens store drøm. Fotoner har betydeligt mere båndbredde end elektroner og kan derfor behandle flere data hurtigere. Men fordelene ved optiske databehandlingssystemer har aldrig opvejet de ekstra omkostninger ved at lave dem, og derfor er de aldrig blevet bredt udbredt.

Det er begyndt at ændre sig inden for nogle områder af computeren, såsom analog signalbehandling, som kræver den slags ultrahurtig databehandling, som kun fotoniske chips kan levere.

Nu åbner neurale netværk en ny mulighed for fotonik. Fotoniske neurale netværk, der udnytter siliciumfotoniske platforme, kunne få adgang til nye regimer for ultrahurtig informationsbehandling til radio, kontrol og videnskabelig databehandling, siger Tait og co.

Kernen i udfordringen er at producere en optisk enhed, hvor hver knude har de samme responskarakteristika som en neuron. Noderne har form af bittesmå cirkulære bølgeledere skåret ind i et siliciumsubstrat, hvori lyset kan cirkulere. Når det frigives, modulerer dette lys outputtet fra en laser, der arbejder ved tærskel, et regime, hvor små ændringer i det indkommende lys har en dramatisk indflydelse på laserens output.

Det er afgørende, at hver knude i systemet arbejder med en specifik bølgelængde af lys - en teknik kendt som bølgedelingsmultipleksing. Lyset fra alle noderne kan summeres ved total effektdetektion, før det føres ind i laseren. Og laseroutputtet føres tilbage til noderne for at skabe et feedbackkredsløb med en ikke-lineær karakter.

Et vigtigt spørgsmål er, hvor tæt denne ikke-linearitet efterligner neural adfærd. Tait og co måler outputtet og viser, at det matematisk svarer til en enhed kendt som et kontinuerligt tilbagevendende neuralt netværk. Dette resultat tyder på, at programmeringsværktøjer til CTRNN'er kunne anvendes på større silicium fotoniske neurale netværk, siger de.

Det er et vigtigt resultat, fordi det betyder, at den enhed, som Tait og co har lavet, umiddelbart kan udnytte det store udvalg af programmeringsnous, der er blevet indsamlet til denne slags neurale netværk.

De fortsætter med at demonstrere, hvordan dette kan gøres ved hjælp af et netværk bestående af 49 fotoniske noder. De bruger dette fotoniske neurale netværk til at løse det matematiske problem med at emulere en bestemt slags differentialligning og sammenligne den med en almindelig centralbehandlingsenhed.

Resultaterne viser, hvor hurtige fotoniske neurale net kan være. Den effektive hardwareaccelerationsfaktor for det fotoniske neurale netværk estimeres til at være 1.960 × i denne opgave, siger Tait og co. Det er en hastighedsstigning på tre størrelsesordener.

Det åbner dørene til en helt ny industri, der kunne bringe optisk databehandling ind i mainstream. Silicium fotoniske neurale netværk kunne repræsentere første indtog i en bredere klasse af silicium fotoniske systemer til skalerbar informationsbehandling, siger Taif og co.

Og andre arbejder også på dette område. Tidligere i år foreslog Yichen Shen ved MIT og et par venner arkitekturen bag et fuldt optisk neuralt netværk og demonstrerede elementer af det ved hjælp af en programmerbar nanofotonisk processor.

Selvfølgelig afhænger meget af, hvor godt den første generation af elektroniske neuromorfe chips præsterer. Fotoniske neurale net vil skulle tilbyde betydelige fordele for at blive bredt vedtaget og vil derfor kræve meget mere detaljeret karakterisering. Det er klart, at der er interessante tider forude for fotonik.

Ref: arxiv.org/abs/1611.02272 : Neuromorf siliciumfotonik

Denne historie blev opdateret den 22. november for at inkludere yderligere arbejde udført af forskere ved MIT.

skjule