Чип фотонной нейронной сети сокращает вычисления менее чем до одной миллиардной доли секунды

Группа исследователей из Стэнфордского университета и Миланского политехнического университета разработали микросхему фотонной нейронной сети (PNN), которая использует для мощного, быстрого и эффективного процесса вычисления фотонный ускоритель.

В чип PNN встроены соединенные управляемыми узлами оптические волноводы, которые дают возможность создавать решетку кремниевых интерферометров - программируемую фотонную сетку.

Оптически эта схема представляет собой реконструируемый интерферографический прибор. С практической точки зрения она выполняет операции сложения и умножения непосредственно на оптической плоскости. Это значит, что когда световой сигнал подается на входы портов, то выходной сигнал будет представлять собой линейное сочетание входных данных.

С точки зрения математики, это всего лишь матричное умножение, которое является важнейшим элементом вычислительной техники.

Чип PNN является результатом многолетнего сотрудничества между командами Милана и Стэнфорда.

Ученые Милана создавали кремниевые фотонные программируемые архитектуры и добивались усовершенствования алгоритмов для автоматизации управления этими структурами. Параллельно с этим исследователи из Стэнфорда теоретически разрабатывали концепцию фотонных архитектур, которые могли бы потенциально реализовать сложные функциональные возможности.

До возникновения PNN технология чипов применялась в нескольких исследовательских проектах. К примеру, исследователи использовали фотонные процессоры для генерации и приема пучков оптического света в свободном пространстве оптимальной формы для улучшения зондирования, связи и передачи через рассеивающие среды или полупрозрачные препятствия.

Также ученые применяли фотонную сетку непосредственно в оптической области для расшифровки нескольких световых пучков, которые были переплетены после передачи через рассеивающую среду. Это позволило восстановить информацию, которая передается отдельными пучками. Такой процесс важен для систем передачи с высокой производительностью, которые используют несколько оптических режимов.

До настоящего времени PNN использовались исключительно для выполнения задач вывода в системах, которые уже обучены при помощи внешних компьютеров. Но ученые показали, что PNN может обучаться на месте путем специальной реализации алгоритмов обратного распространения.

При этом также, как и в обычном алгоритме обратного распространения, обучающие входные данные подаются в сеть и делается прогноз. Но узлы фотонной сетки оптимизируются для его улучшения. Время вычисления сокращается менее чем до одной миллиардной доли секунды.

Концепция обучения PNN еще находится на уровне доказательства. Пока фотонная сеть программируется при помощи термоприводов, работающих очень медленно и потребляющих много энергии.