Modele głębokiej sieci neuronowej stały się tak duże i złożone, że stanowią wyzwanie dla możliwości tradycyjnego sprzętu elektronicznego. Sprzęt fotoniczny, który przetwarza obliczenia za pomocą światła, oferuje szybszą i bardziej energooszczędną alternatywę, ale borykał się z pewnymi obliczeniami sieci neuronowych z powodu ograniczeń spowalniających wydajność. Naukowcy z MIT i innych instytucji opracowali nowy fotoniczny chip, który rozwiązuje te problemy. Ten w pełni zintegrowany procesor fotoniczny potrafi wykonywać wszystkie niezbędne obliczenia głębokiej sieci neuronowej optycznie na chipie. Chip wykonał obliczenia dla zadania klasyfikacji w uczeniu maszynowym w mniej niż pół nanosekundy z dokładnością 92%, porównywalną do tradycyjnego sprzętu. Zbudowany za pomocą komercyjnych procesów odlewniczych, chip posiada połączone moduły, które tworzą optyczną sieć neuronową, sugerując przyszłe skalowalne i integracyjne aplikacje elektroniczne. Ten postęp może poprawić prędkość i efektywność energetyczną głębokiego uczenia, przynosząc korzyści takim dziedzinom jak lidar, astronomia, fizyka cząstek i telekomunikacja. System umożliwia pełne operacje sieci neuronowej w optyce na skalę nanosekundy, czyniąc je znacząco szybszymi. Główny badacz Saumil Bandyopadhyay podkreślił znaczenie prędkości i wydajności w działaniu modelu oraz potencjał innowacyjnych zastosowań i algorytmów. Zespół badawczy obejmuje absolwentów i profesorów z MIT, takich jak Alexander Sludds, Nicholas Harris, Darius Bunandar i Dirk Englund, a badanie zostało opublikowane w Nature Photonics. Optyczne sieci neuronowe obejmują warstwy połączonych węzłów wykonujących algebrę liniową, taką jak mnożenie macierzy, istotną dla przekształcania danych. Operacje nieliniowe, takie jak funkcje aktywacji, pozwalają sieciom uczyć się skomplikowanych wzorców.

W 2017 r. opracowano pojedynczy fotoniczny chip do mnożenia macierzy, ale operacje nieliniowe wymagały konwersji danych optycznych na sygnały elektryczne, konsumując znaczną ilość energii. Aby to przezwyciężyć, naukowcy zaprojektowali jednostki nieliniowych funkcji optycznych (NOFU), które integrują elektronikę i optykę do operacji nieliniowych na chipie. Ich optyczna sieć neuronowa składa się z trzech warstw urządzeń dla funkcji liniowych i nieliniowych. Nowy system koduje parametry sieci neuronowej w światło, z programowalnymi rozdzielaczami wiązek obsługującymi mnożenie macierzy. Operacje nieliniowe wykonywane są przez NOFU, które efektywnie konwertują sygnały optyczne na prąd elektryczny za pomocą fotodiod. Przetwarzanie w domenie optycznej znacznie zmniejsza opóźnienia i zużycie energii. Dzięki uzyskaniu niskiej latencji, system efektywnie trenuje głębokie sieci neuronowe na chipie, znane jako uczenie in situ, które zwykle wymaga dużo energii w sprzęcie cyfrowym. Procesor fotoniczny osiągnął ponad 96% dokładności w treningu i ponad 92% w wnioskowaniu, wykonując obliczenia w mniej niż pół nanosekundy. Obwód został wykonany w tych samych procesach, które tworzą chipy CMOS, co pozwala na potencjalną masową produkcję z minimalnym błędem. Przyszłe prace będą koncentrować się na integracji urządzenia z rzeczywistą elektroniką i rozwijaniu algorytmów, które wykorzystują zalety optyczne do szybszego i bardziej energooszczędnego treningu. Badania te otrzymały wsparcie z National Science Foundation USA, Biura Badań Naukowych Sił Powietrznych USA i NTT Research.