211service.com
Silicium fotonisch neuraal netwerk onthuld
Neurale netwerken veroveren de computerwereld stormenderhand. Onderzoekers hebben ze gebruikt om machines te maken die een enorm scala aan vaardigheden leren die voorheen alleen voorbehouden waren aan mensen: objectherkenning, gezichtsherkenning, natuurlijke taalverwerking, machinevertaling. Al deze vaardigheden, en meer, worden nu routine voor machines.
Er is dus grote belangstelling voor het creëren van meer capabele neurale netwerken die de grenzen van kunstmatige intelligentie nog verder kunnen verleggen. De focus van dit werk ligt op het creëren van circuits die meer als neuronen werken, zogenaamde neuromorfe chips. Maar hoe maak je deze circuits aanzienlijk sneller?
Vandaag krijgen we een soort antwoord dankzij het werk van Alexander Tait en zijn vrienden aan de Princeton University in New Jersey. Deze jongens hebben een geïntegreerde silicium fotonische neuromorfische chip gebouwd en laten zien dat deze met ultrahoge snelheden rekent.
Optisch computergebruik is al lang de grote droom van de informatica. Fotonen hebben aanzienlijk meer bandbreedte dan elektronen en kunnen dus sneller meer gegevens verwerken. Maar de voordelen van optische gegevensverwerkingssystemen hebben nooit opwogen tegen de extra kosten om ze te maken, en daarom zijn ze nooit op grote schaal toegepast.
Dat is aan het veranderen in sommige computergebieden, zoals analoge signaalverwerking, die het soort ultrasnelle gegevensverwerking vereist dat alleen fotonische chips kunnen bieden.
Nu openen neurale netwerken een nieuwe kans voor fotonica. Fotonische neurale netwerken die gebruik maken van silicium-fotonische platforms kunnen toegang krijgen tot nieuwe regimes van ultrasnelle informatieverwerking voor radio, controle en wetenschappelijk computergebruik, zeggen Tait en co.
De kern van de uitdaging is om een optisch apparaat te produceren waarin elke knoop dezelfde responskenmerken heeft als een neuron. De knooppunten hebben de vorm van kleine cirkelvormige golfgeleiders die zijn uitgehouwen in een siliciumsubstraat waarin licht kan circuleren. Wanneer dit licht wordt vrijgegeven, moduleert het de output van een laser die werkt bij de drempel, een regime waarin kleine veranderingen in het binnenkomende licht een dramatische impact hebben op de output van de laser.
Cruciaal is dat elk knooppunt in het systeem werkt met een specifieke golflengte van licht - een techniek die bekend staat als multiplexing met golfverdeling. Het licht van alle knooppunten kan worden opgeteld door detectie van het totale vermogen voordat het in de laser wordt ingevoerd. En de laseroutput wordt teruggevoerd naar de knooppunten om een feedbackcircuit met een niet-lineair karakter te creëren.
Een belangrijke vraag is in hoeverre deze niet-lineariteit neuraal gedrag nabootst. Tait en co meten de output en laten zien dat het wiskundig equivalent is aan een apparaat dat bekend staat als een continu terugkerend neuraal netwerk. Dit resultaat suggereert dat programmeertools voor CTRNN's kunnen worden toegepast op grotere silicium fotonische neurale netwerken, zeggen ze.
Dat is een belangrijk resultaat, want het betekent dat het apparaat dat Tait en co hebben gemaakt, onmiddellijk gebruik kan maken van het enorme scala aan programmeerkennis dat is verzameld voor dit soort neurale netwerken.
Vervolgens demonstreren ze hoe dit kan met behulp van een netwerk van 49 fotonische knooppunten. Ze gebruiken dit fotonische neurale netwerk om het wiskundige probleem van het emuleren van een bepaald soort differentiaalvergelijking op te lossen en te vergelijken met een gewone centrale verwerkingseenheid.
De resultaten laten zien hoe snel fotonische neurale netten kunnen zijn. De effectieve hardwareversnellingsfactor van het fotonische neurale netwerk wordt geschat op 1.960 × in deze taak, zeggen Tait en co. Dat is een versnelling van drie ordes van grootte.
Dat opent de deuren naar een geheel nieuwe industrie die optische computers in de mainstream zou kunnen brengen. Silicium fotonische neurale netwerken zouden de eerste stap kunnen zijn in een bredere klasse van silicium fotonische systemen voor schaalbare informatieverwerking, zeggen Taif en co.
En ook anderen werken op dit gebied. Eerder dit jaar stelde Yichen Shen van het MIT en een paar vrienden de architectuur achter een volledig optisch neuraal netwerk voor en demonstreerde elementen ervan met behulp van een programmeerbare nanofotonische processor.
Veel hangt natuurlijk af van hoe goed de eerste generatie elektronische neuromorfische chips presteert. Fotonische neurale netwerken zullen aanzienlijke voordelen moeten bieden om op grote schaal te worden toegepast en zullen daarom veel meer gedetailleerde karakterisering vereisen. Het is duidelijk dat er interessante tijden in het verschiet liggen voor fotonica.
Referentie: arxiv.org/abs/1611.02272 : Neuromorfe siliciumfotonica
Dit verhaal is op 22 november bijgewerkt met aanvullend werk van onderzoekers van het MIT.