|
对于传统的CPU和GPU芯片来说，处理深度学习计算尤其是涉及重复矩阵计算是个计算密集型的高难度任务。使用光代替电来驱动神经网络可以提高特定深度学习计算的速度和效率。 图为光子处理器示意图 在此之前，用于深度学习的光子计算机的很多想法都被证实是不切实际的，但此次由美国麻省理工学院（MIT）一研究团队开发的基于光的神经网络系统已经被证明在很多应用上是十分有用的。 来自美国麻省理工学院的研究人员开发了一种比传统电子学方法拥有更高计算速度和能力的全光学神经网络的体系结构概念。 研究人员在硅光子集成电路中利用一个可编程的纳米光子处理器展示了他们概念中不可或缺的一部分。纳米光子处理器通过一系列耦合的光子波导实现对光的引导。研究人员可以根据需要修改波导阵列，以方便为特定的计算需求编制所需的波导阵列模式，多光束相互作用产生干涉图样，以传送操作结果。 该小组要求设备有很多交错层，且具有类似于大脑中神经元运作方式的非线性激活功能。 该研究团队为纳米光子处理器编程以实现其神经网络能够识别四个基本元音。该处理器是一个阶段性的基本系统，并不是最终样机，其精度水平仅能达到77%，而传统系统的精度可以达到90%左右。研究人员Marin Soljacic教授表示，提高系统精度“没有实质性障碍”。 据研究人员Yichen Shen表示，使用了这种结构的光学芯片在开展典型人工智能算法上能够实现更快速的计算，且每个操作的能量使用量仅为常规电子芯片的千分之一左右。 Yichen Shen说：“利用光来实现矩阵乘法运算的最大优势就是其更快的运算速度和更高的能源节省，因为复杂的矩阵乘法运算是人工智能算法中最耗电且最耗时的一部分。” Soljacic补充道：“一旦我们打开了这种光子芯片的开关，在原则上，该芯片几乎可以实现快速且零能耗的矩阵运算。目前，我们已经演示了关键的构建块，但还没有建成完整的系统。” Dirk Englund教授表示，可编程纳米光子处理器有着极为广泛的应用，包括数据信号传输与处理等。他继续补充道：“高速模拟信号运算是可以管理的，这种方法可以直接在模拟域中进行处理。” 研究团队坚信一旦该系统规模扩大且功能被充分开发，将会有更为广泛的用途，包括在数据中心或安全系统中使用等。 该系统也可用于无人驾驶汽车或者无人驾驶飞机，研究员Nicholas Harris表示：“无论何时，当你需要大量的计算，但由没有更多能量或时间时，你就可以使用该系统。” “Deep learning with coherent nanophotonic circuits” Yichen Shen, Nicholas C. Harris, Scott Skirlo, Mihika Prabhu, Tom Baehr-Jones, Michael Hochberg, Xin Sun, Shijie Zhao, Hugo Larochelle, Dirk Englund & Marin Soljačić. Nature Photonics. oi:10.1038/nphoton.2017.93
|
|
|
