Djupa neurala nätverksmodeller har blivit så stora och komplexa att de utmanar traditionell elektronisk datorkapacitet. Fotonikbaserad hårdvara, som använder ljus för att bearbeta beräkningar, erbjuder ett snabbare och mer energieffektivt alternativ men har haft svårigheter med vissa neurala nätverksberäkningar på grund av begränsningar som bromsar prestanda. Forskare från MIT och andra institutioner har utvecklat ett nytt fotoniskt chip som hanterar dessa problem. Denna helt integrerade fotoniska processor kan utföra alla grundläggande beräkningar för djupa neurala nätverk optiskt på chipet. Chipet slutförde beräkningar för en maskininlärningsklassificeringsuppgift på under en halv nanosekund med 92% noggrannhet, jämförbar med traditionell hårdvara. Konstruerad med kommersiella tillverkningsprocesser har chipet sammankopplade moduler som bildar ett optiskt neuralt nätverk, vilket antyder skalbara och integrerbara framtida elektroniska tillämpningar. Denna framsteg kan förbättra djupinlärningens hastighet och energieffektivitet och gynna områden som lidar, astronomi, partikelfysik och telekommunikation. Systemet möjliggör fullständiga neurala nätverksoperationer i optik på nanosekundskala, vilket gör det betydligt snabbare. Ledande forskaren Saumil Bandyopadhyay framhöll betydelsen av hastighet och effektivitet i modellprestanda och potentialen för innovativa tillämpningar och algoritmer. Forskargruppen inkluderar MIT-alumner och professorer som Alexander Sludds, Nicholas Harris, Darius Bunandar och Dirk Englund, med studien publicerad i Nature Photonics. Optiska neurala nätverk innebär lager av sammankopplade noder som utför linjär algebra, såsom matrismultiplikation, vilket är nödvändigt för datatransformation. Icke-linjära operationer som aktiveringsfunktioner möjliggör för nätverken att lära sig komplexa mönster. År 2017 utvecklades ett fotoniskt chip för matrismultiplikation, men icke-linjära operationer krävde omvandling av optisk data till elektriska signaler, vilket krävde avsevärd kraft. För att övervinna detta designade forskarna icke-linjära optiska funktionsenheter (NOFU:er) som integrerar elektronik och optik för icke-linjära operationer på chipet.

Deras optiska neurala nätverk består av tre enhetslager för linjära och icke-linjära funktioner. Det nya systemet kodar parametrarna för neurala nätverk i ljus, med programmerbara stråldelare som hanterar matrismultiplikation. Icke-linjära operationer utförs av NOFU:er, som använder fotodioder för att effektivt omvandla optiska signaler till elektrisk ström. Denna bearbetning i den optiska domänen minskar latens och energiförbrukning avsevärt. Genom att uppnå låg latens tränar systemet djupa neurala nätverk effektivt på chipet, känt som in situ-träning, som vanligen kräver mycket energi i digital hårdvara. Den fotoniska processorn nådde över 96% noggrannhet i träning och över 92% i inferens, och utförde beräkningar på under en halv nanosekund. Kretsen tillverkades med samma processer som skapar CMOS-chip, vilket möjliggör potentiell massproduktion med minimala fel. Framtida arbete kommer att fokusera på att integrera enheten med verkliga elektronik och utveckla algoritmer som utnyttjar optiska fördelar för snabbare, mer energieffektiv träning. Denna forskning fick stöd från U. S. National Science Foundation, U. S. Air Force Office of Scientific Research och NTT Research.