Diepe neurale netwerken zijn zo groot en complex geworden dat ze de capaciteiten van traditionele elektronische rekenhardware uitdagen. Fotonica-hardware, die berekeningen verwerkt met behulp van licht, biedt een sneller en energiezuiniger alternatief, maar heeft moeite gehad met bepaalde neurale netwerkberekeningen vanwege beperkingen die prestaties vertragen. Onderzoekers van MIT en andere instituten hebben een nieuwe fotonische chip ontwikkeld die deze problemen aanpakt. Deze volledig geïntegreerde fotonische processor kan alle essentiële berekeningen voor diepe neurale netwerken optisch op de chip uitvoeren. De chip voltooide berekeningen voor een machine learning-classificatietaak in minder dan een halve nanoseconde met 92% nauwkeurigheid, vergelijkbaar met traditionele hardware. Gebouwd met commerciële gieterijprocessen, bevat de chip onderling verbonden modules die een optisch neuraal netwerk vormen, wat wijst op schaalbare en integreerbare toekomstige elektronische toepassingen. Deze vooruitgang kan de snelheid en energie-efficiëntie van deep learning verbeteren, wat ten goede komt aan gebieden als lidar, astronomie, deeltjesfysica en telecommunicatie. Het systeem maakt volledige neurale netwerkoperaties in optica op een nanoseconde-schaal mogelijk, wat het aanzienlijk sneller maakt. Hoofdonderzoeker Saumil Bandyopadhyay benadrukte het belang van snelheid en efficiëntie in modelprestaties en het potentieel voor innovatieve toepassingen en algoritmen. Het onderzoeksteam omvat MIT-alumni en professoren zoals Alexander Sludds, Nicholas Harris, Darius Bunandar en Dirk Englund, met de studie gepubliceerd in Nature Photonics. Optische neurale netwerken omvatten lagen van onderling verbonden knopen die lineaire algebra uitvoeren, zoals matrixvermenigvuldiging, essentieel voor datatransformatie. Niet-lineaire operaties zoals activatiefuncties stellen netwerken in staat complexe patronen te leren. In 2017 werd een enkele fotonische chip ontwikkeld voor matrixvermenigvuldiging, maar niet-lineaire operaties vereisten het omzetten van optische gegevens naar elektrische signalen, wat veel stroom verbruikte. Om dit te overwinnen, ontwierpen onderzoekers niet-lineaire optische functie-eenheden (NOFU's) die elektronica en optica integreren voor niet-lineaire operaties op de chip.

Hun optische neurale netwerk bestaat uit drie apparaatlayers voor lineaire en niet-lineaire functies. Het nieuwe systeem codeert neurale netwerkparameters in licht, met programmeerbare bundelsplitsers die matrixvermenigvuldiging verwerken. Niet-lineaire operaties worden uitgevoerd door NOFU's, die fotodiodes gebruiken om optische signalen efficiënt om te zetten in elektrische stroom. Dit verwerken in het optische domein vermindert latentie en energieverbruik dramatisch. Door lage latentie te bereiken, traint het systeem diepe neurale netwerken efficiënt op de chip, bekend als in situ training, wat meestal veel energie vereist in digitale hardware. De fotonische processor behaalde meer dan 96% nauwkeurigheid bij training en meer dan 92% bij inference, en voerde berekeningen uit in minder dan een halve nanoseconde. Het circuit werd vervaardigd met dezelfde processen die CMOS-chips maken, waardoor mogelijke massaproductie met minimale fouten mogelijk wordt. Toekomstig werk zal zich richten op het integreren van het apparaat met echte elektronica en het ontwikkelen van algoritmen die profiteren van optische voordelen voor snellere, energiezuinigere training. Dit onderzoek kreeg steun van de U. S. National Science Foundation, de U. S. Air Force Office of Scientific Research en NTT Research.