Udvikle smartere, hurtigere maskinintelligens med lys

Forskere ved George Washington University, sammen med forskere ved University of California, Los Angeles, og deep-tech venture startup Optelligence LLC, har udviklet en optisk foldet neural netværksaccelerator, der er i stand til at behandle store mængder information, i størrelsesordenen petabytes, i sekundet. Denne innovation, som udnytter lysets massive parallelitet, varsler en ny æra af optisk signalbehandling til maskinlæring med adskillige applikationer, herunder i selvkørende biler, 5G netværk, datacentre, biomedicinsk diagnostik, datasikkerhed og meget mere.

Den globale efterspørgsel efter maskinlæringshardware overgår dramatisk de nuværende computerstrømforsyninger. Avanceret elektronisk hardware, såsom grafikbehandlingsenheder og tensorbehandlingsenhedsacceleratorer, hjælpe med at afbøde dette, men er i sig selv udfordret af seriel databehandling, der kræver iterativ databehandling og støder på forsinkelser fra ledninger og kredsløbsbegrænsninger. Optiske alternativer til elektronisk hardware kunne hjælpe med at fremskynde maskinlæringsprocesser ved at forenkle den måde, information behandles på på en ikke-iterativ måde. Imidlertid, fotonisk-baseret maskinlæring er typisk begrænset af antallet af komponenter, der kan placeres på fotoniske integrerede kredsløb, begrænser sammenkoblingen, mens frirum rumlige lysmodulatorer er begrænset til langsomme programmeringshastigheder.

For at opnå et gennembrud i dette optiske maskinlæringssystem, forskerne erstattede rumlige lysmodulatorer med digital spejlbaseret teknologi, dermed udvikle et system over 100 gange hurtigere. Den ikke-iterative timing af denne processor, i kombination med hurtig programmerbarhed og massiv parallelisering, gør det muligt for dette optiske maskinlæringssystem at udkonkurrere selv de førsteklasses grafikbehandlingsenheder med mere end én størrelsesorden, med plads til yderligere optimering ud over den oprindelige prototype.

I modsætning til det nuværende paradigme inden for elektronisk maskinlæringshardware, der behandler information sekventielt, denne processor bruger Fourier-optikken, et koncept med frekvensfiltrering, som gør det muligt at udføre de nødvendige viklinger af det neurale netværk som meget simplere element-vise multiplikationer ved hjælp af den digitale spejlteknologi.

"Denne massivt parallelle amplitude-kun Fourier optiske processor indvarsler en ny æra for informationsbehandling og maskinlæring. Vi viser, at træning af dette neurale netværk kan tage højde for manglen på faseinformation, siger Volker Sorger, lektor i elektro- og computerteknik ved George Washington University.

"Optik gør det muligt at behandle storskala matricer i et enkelt tidstrin, som giver mulighed for nye skaleringsvektorer til at udføre foldninger optisk. Dette kan have et betydeligt potentiale for maskinlæringsapplikationer som vist her, " siger Puneet Gupta, professor og næstformand for computeringeniør ved University of California, Los Angeles.

"Denne prototype demonstration viser en kommerciel vej for optiske acceleratorer klar til en række applikationer som netværkskantbehandling, datacentre og højtydende computersystemer, " siger Hamed Dalir, medstifter, Optelligence LLC.

Papiret, "Massively Parallel Amplitude-Only Fourier Neural Network" blev offentliggjort i dag i tidsskriftet Optica .