帖子
勋章
关注
任务
研究人员开发出高效光学神经网络 洛桑联邦理工学院（EPFL）的研究人员发布了一个可编程框架，该框架克服了基于光学的人工智能系统的一个关键计算瓶颈。在一系列图像分类实验中，他们利用来自低功率激光器的散射光来执行精确、可扩展的计算，而使用的能量仅为电子设备的一小部分。  可编程框架 随着数字人工智能系统的规模和影响不断扩大，训练和部署这些系统所需的能源也在增加，更不用说相关的碳排放了。最近的研究表明，如果目前的人工智能服务器生产继续保持目前的速度，到 2027 年，其年能耗将超过一个小国的能耗。 受人脑架构启发的深度神经网络，由于在多层神经元式处理器之间存在数百万甚至数十亿个连接，因此特别耗电。 为了应对如雨后春笋般增长的能源需求，研究人员加倍努力实现光计算系统。这些系统依靠光子来处理数据，虽然理论上光可以比电子更快、更有效地进行计算，但一个关键的挑战阻碍了光学系统超越电子技术水平的能力。 Demetri Psaltis说：“我们的方法比最先进的深度数字网络省电多达 1000 倍，是实现光神经网络的一个前景广阔的平台。为了对神经网络中的数据进行分类，每个节点或'神经元'都必须根据加权输入数据做出是否启动的决定”。洛桑联邦理工学院工程学院应用光子器件实验室主任Christophe Moser说：“这一决定会导致所谓的数据非线性转换，即输出与输入不成正比。" Moser解释说，虽然数字神经网络可以通过晶体管轻松实现非线性变换，但在光学系统中，这一步骤需要非常强大的激光器。 Moser与学生 Mustafa Yildirim、Niyazi Ulas Dinc 和 Ilker Oguz 以及光学实验室负责人 Demetri Psaltis 合作，开发出了一种以光学方式执行这些非线性计算的节能方法。 他们的新方法包括在低功率激光束的空间调制中对数据（如图像的像素）进行编码。光束会多次反射回自身，从而实现像素的非线性倍增。 Psaltis说：“我们在三个不同数据集上进行的图像分类实验表明，我们的方法具有可扩展性，比最先进的深度数字网络省电1000倍，是实现光学神经网络的一个前景广阔的平台。” 这项研究最近发表在《自然·光子学》（Nature Photonics）上。  光学处理器的核心。 简单的结构解决方案 在自然界中，光子之间并不像带电电子那样直接相互作用。因此，为了在光学系统中实现非线性变换，科学家们不得不 "迫使 "光子间接地相互作用，例如使用足够强的光来改变其穿过的玻璃或其他材料的光学特性。 科学家们采用了一种非常简单的方法来解决对高功率激光的需求：他们在低功率激光束表面对图像像素进行空间编码。通过调整光束在编码器中的轨迹，进行两次编码，像素就会乘以它们自己，即平方。 由于平方是一种非线性变换，因此这种结构上的改变实现了神经网络计算所必需的非线性，而所需的能量成本却很低。这种编码可以进行两次、三次甚至十次，从而提高变换的非线性和计算的精确度。 Psaltis说：“我们估计，使用我们的系统，光学计算乘法所需的能量要比电子系统少八个数量级。” Moser 和 Psaltis 强调，他们的低能耗方法的可扩展性是一大优势，因为最终目标是使用电子-光学混合系统来降低数字神经网络的能耗。 然而，要实现这种可扩展性，还需要进一步的工程研究。例如，由于光学系统使用的硬件与电子系统不同，研究人员下一步已经着手开发一种编译器，将数字数据转换成光学系统可以使用的代码。 相关链接：https://phys.org/news/2024-08-energy-efficient-optical-neural-networks.html 论文链接：https://dx.doi.org/10.1038/s41566-024-01494-z 分享到：
|
