Ein neuer optischer gehirnähnlicher Chip kann 2 Milliarden Bilder pro Sekunde verarbeiten

Forscher der University of Pennsylvania haben einen neuen optischen Chip erfunden das über 2 Milliarden Fotos pro Sekunde verarbeiten kann. Das Gadget besteht aus einem neuronalen Netzwerk, das Daten als Licht verarbeitet, ohne dass Komponenten verwendet werden, die Standard-Computerchips wie Speicher verlangsamen.

Die Studie wurde veröffentlicht in das Tagebuch Natur.

Der neue Chip basiert auf einem neuronalen Netzwerk, einem System, das nach dem Vorbild der Gehirn verarbeitet Informationen. Diese Netzwerke bestehen aus Knoten, die sich wie Neuronen verbinden, und sie „lernen“ sogar auf die gleiche Weise wie organische Gehirne, indem sie auf Datensätze trainiert werden, wie z. B. die Objekterkennung in Fotos oder die Spracherkennung. Mit anderen Worten, sie werden in diesen Dingen mit der Zeit viel besser.

Wie bereits erwähnt, verarbeitet der neue Chip Informationen in Form von Licht und nicht von elektrischen Signalen. Seine „Neuronen“ sind optische Drähte, die in zahlreichen Schichten geschichtet sind und jeweils auf eine andere Form der Klassifizierung spezialisiert sind.

In Experimenten erstellten die Wissenschaftler einen Chip mit einer Oberfläche von 0,01 Quadratzoll 9,3 mm² und benutzte es, um eine Folge von handgeschriebenen Zeichen zu klassifizieren, die wie Buchstaben aussahen.Der Chip war in der Lage, Fotos mit einer Genauigkeit von 93,8 Prozent für Sätze mit zwei Arten von Zeichen und mit einer Genauigkeit von 89,8 Prozent für Sätze mit vier Arten zu klassifizieren, nachdem er mit relevanten Datensätzen trainiert wurde.

Vor allem war der Chip in der Lage, jedes Zeichen in 0,57 Nanosekunden zu klassifizieren, wodurch er 1,75 Milliarden Fotos pro Sekunde verarbeiten konnte. Das Team sagt, dass diese Geschwindigkeit von der Fähigkeit des Chips herrührt, Informationen als Licht zu verarbeiten, was ihm mehrere Vorteile verschafftvorhandene Computerchips.

„Unser Chip verarbeitet Informationen durch das, was wir ‚computation-by-propagation‘ nennen, was bedeutet, dass im Gegensatz zu uhrbasierten Systemen Berechnungen stattfinden, während sich Licht durch den Chip ausbreitet“, sagte Firooz Aflatouni, Hauptautor der Studie. „Wirüberspringen auch den Schritt der Umwandlung optischer Signale in elektrische Signale, da unser Chip optische Signale direkt lesen und verarbeiten kann, und diese beiden Änderungen machen unseren Chip zu einer deutlich schnelleren Technologie.

Ein weiterer Vorteil besteht darin, dass die verarbeiteten Daten nicht gespeichert werden müssen, wodurch Zeit gespart wird, da keine Daten in den Speicher übertragen werden müssen, und Platz gespart wird, da überhaupt keine Speicherkomponente erforderlich ist. Laut Experten entfällt die Speicherung der Datenist auch sicherer, weil es mögliche Lecks verhindert.

Die nächsten Schritte des Teams werden darin bestehen, das Gerät zu vergrößern und die Technologie zu modifizieren, um verschiedene Arten von Daten zu verarbeiten.

„Das wirklich Interessante an dieser Technologie ist, dass sie so viel mehr kann, als nur Bilder zu klassifizieren“, sagte Aflatouni. „Wir wissen bereits, wie man viele Datentypen in den elektrischen Bereich umwandelt – Bilder, Audio, Sprache und viele andere DatenJetzt können wir verschiedene Datentypen in die optische Domäne konvertieren und sie mit dieser Technologie fast sofort verarbeiten lassen.

Studienzusammenfassung:

"Deep Neural Networks mit Anwendungen von Computer Vision bis zur medizinischen Diagnose werden üblicherweise mit taktbasierten Prozessoren implementiert wobei die Rechengeschwindigkeit hauptsächlich durch die Taktfrequenz und die Speicherzugriffszeit begrenzt ist. Im optischen Bereich trotz Fortschritten in der photonischen Berechnung, der Mangel an skalierbarer optischer Nichtlinearität auf dem Chip und der Verlust von photonischen Geräten schränken die Skalierbarkeit von optischen tiefen Netzwerken ein. Hier berichten wir über ein integriertes photonisches tiefes neuronales End-to-End-Netzwerk PDNN, das im Subnanosekundenbereich arbeitetBildklassifizierung durch direkte Verarbeitung der optischen Wellen, die auf das On-Chip-Pixel-Array treffen, während sie sich durch Schichten von Neuronen ausbreiten.In jedem Neuron wird eine lineare Berechnung optisch durchgeführt und die nichtlineare Aktivierungsfunktion wird optoelektronisch realisiert, was eine Klassifizierung ermöglichtZeit von unter 570 ps, ​​was mit einem einzigen Taktzyklus moderner digitaler Plattformen vergleichbar ist.Ein gleichmäßig verteiltes Versorgungslicht bietet den gleichen optischen Ausgangsbereich pro Neuron, was eine Skalierbarkeit auf große PDNNs ermöglicht.Klassen- und Vier-Klassen-Klassifizierung von handschriftlichen Briefen mit Genauigkeiten von über 93,8 % bzw. 89,8 % wird demonstriert Direkte, taktlose Verarbeitung optischer Daten eliminiert Analog-Digital conversion und die Anforderung an ein großes Speichermodul, was schnellere und energieeffizientere neuronale Netze für die nächsten Generationen von Deep-Learning-Systemen ermöglicht."