A mély neurális hálózati modellek olyan nagyok és összetettek lettek, hogy kihívást jelentenek a hagyományos elektronikus számítógépes hardverek képességei számára. A fotonikus hardver, amely fényt használ a számítások feldolgozására, gyorsabb és energiahatékonyabb alternatívát kínál, de bizonyos neurális hálózati számításokkal küzd a teljesítményt lassító korlátok miatt. Az MIT és más intézmények kutatói kifejlesztettek egy új fotonikus chipet, amely megoldja ezeket a problémákat. Ez a teljesen integrált fotonikus processzor képes optikailag végrehajtani a mély neurális hálózathoz szükséges összes alapvető számítást a chipen. A chip kevesebb mint fél nanoszekundum alatt hajtott végre gépi tanulási osztályozási feladatokat 92% pontossággal, ami összehasonlítható a hagyományos hardverekkel. Kereskedelmi gyártási folyamatokkal készült, és összekapcsolt modulokat tartalmaz, amelyek optikai neurális hálózatot alkotnak, utalva a jövőbeli elektronikus alkalmazások skálázhatóságára és integrálhatóságára. Ez az előrelépés javíthatja a mély tanulás sebességét és energiahatékonyságát, ami hasznos lehet olyan területeken, mint a lidar, csillagászat, részecskefizika és telekommunikáció. A rendszer teljes neurális hálózati műveleteket tesz lehetővé optikában nanoszekundumos skálán, ami jelentősen gyorsabbá teszi. Saumil Bandyopadhyay, a vezető kutató, kiemelte a sebesség és hatékonyság fontosságát a modellek teljesítményében és az innovatív alkalmazások és algoritmusok lehetőségét. A kutatócsoport az MIT alumni és professzorai közé tartozik, mint Alexander Sludds, Nicholas Harris, Darius Bunandar és Dirk Englund, a tanulmány pedig a Nature Photonics folyóiratban jelent meg. Az optikai neurális hálózatok összekapcsolt csomópontok rétegeiből állnak, amelyek lineáris algebrát végeznek, mint például mátrixszorzás, alapvető a dátumformázáshoz. A nemlineáris műveletek, mint az aktivációs funkciók, lehetővé teszik a hálózatok számára a bonyolult minták tanulását.

2017-ben egyetlen fotonikus chipset fejlesztettek ki a mátrixszorzáshoz, de a nemlineáris műveletek optikai adatok elektromos jelekké való átalakítását igényelték, ami jelentős energiát fogyasztott. Ennek megoldására a kutatók kifejlesztettek nemlineáris optikai funkcionális egységeket (NOFU), amelyek elektronikát és optikát integrálnak a chipen belüli nemlineáris műveletekhez. Az optikai neurális hálózatuk három eszközréteget tartalmaz lineáris és nemlineáris funkciókra. Az új rendszer a neurális hálózati paramétereket fénybe kódolja, a programozható fényszórók kezelik a mátrixszorzást. A nemlineáris műveleteket a NOFUk végzik, amelyek a fotodiódákat használják az optikai jelek elektromos árammá alakítására hatékonyan. Ez az optikai doménben való feldolgozás drasztikusan csökkenti a késleltetést és az energiaköltségeket. Az alacsony késleltetést elérve a rendszer hatékonyan tanít mély neurális hálózatokat a chipen, ismert mint in situ tréning, amely általában sok energiát igényel a digitális hardverekben. A fotonikus processzor 96% feletti pontosságot ért el a tréning során és több mint 92%-os pontosságot az értelmezési szakaszban, kevesebb mint fél nanoszekundum idő alatt. A kör áramot ugyanazzal a folyamattal hozták létre, amely a CMOS chipeket készíti, lehetővé téve a potenciális tömeggyártást minimális hibával. A jövőbeni munka arra fog összpontosítani, hogy integrálják az eszközt a valós elektronikai rendszerekkel, és olyan algoritmusokat fejlesztenek, amelyek kihasználják az optikai előnyöket a gyorsabb és energiahatékonyabb tréning érdekében. A kutatás támogatást kapott az Egyesült Államok Nemzeti Tudományos Alapítványától, az Egyesült Államok Légierejének Tudományos Kutatási Hivatalától és az NTT Research-től.