新光学芯片可实现高效“深度学习”

基于人工神经网络的“深度学习”计算机系统，能够模仿大脑从积累的例子中学习的方式，已经成为计算机科学的热门话题。除了技术，如人脸和语音识别软件可以使用，这些系统可以读取大量的医疗数据从而发现模式可用于医疗诊断，或创造出新药物的化学公式。

　　但是，这些系统必须执行的计算是非常复杂和苛刻的，即使是最强大的计算机运行起来也会很吃力。

　　如今，麻省理工学院和其他地方的一个研究小组已经开发出一种新的方法，利用光而不是电，他们说这可以大大提高某些深层计算的速度和效率。他们的研究结果发表在近期的《自然光子》杂志上，由麻省理工大学的Yichen Shen，研究生Nicholas Harris，教授Marin Soljacic和Dirk Englund等八人共同完成。

[attachment=77541]

　　Soljacic说，多年来，许多学者对光学计算机抱有期待，但这些人们的期待大大超过了实际情况，并最后反戈一击，虽然是这些人提出了许多这样的光子计算机模型，但最后宣称这些无法实用，而这个研究团队开发的这种基于光的神经网络系统可用于一些深度学习的应用程序。。

　　当涉及到某些重要的神经网络任务时，传统的计算机体系结构并不是很有效。这样的任务通常涉及重复的矩阵乘法运算，在传统的CPU或GPU芯片中计算将会量非常大。

　　经过多年的研究，麻省理工学院的研究小组想出了一种用光学方法来执行这些操作的方法。“这种芯片，一旦你进行适当的调整，可以进行矩阵乘法，在原则上，可以实现零能耗且几乎是瞬间完成，”Soljacic说。“我们已经演示了关键的构建块，但还没有构建出完整的系统。”

　　用类推的方式，Soljacic指出，即使是一个普通的镜片进行复杂的计算（所谓的傅里叶变换）让光波通过它。在新的光子芯片中，光束进行计算的方法更为普遍，但也有类似的基本原理。新的方法使用多个光束，以这样的方式，它们的波相互作用，产生干涉模式，以传送预期操作的结果。由此产生的设备是一些研究人员称之为纳米光子处理器的可编程操作。

　　其结果是，使用这种体系结构的光学芯片原则上可以在典型的人工智能算法中进行计算，而且运算速度比传统的电子芯片要快，且能耗要少一千分之一。他说，使用光做矩阵乘法的自然优势在速度快并且节省能源，因为稠密矩阵乘法是人工智能算法中最耗电和最耗时的部分。

　　新的可编程纳米光子处理器，这是在英格伦实验室由Harris和同事开发的，采用波导阵列，在某种程度上，可以根据需要修改关联数组、编程，并进行具体计算梁的设置。“你可以在任何矩阵运算中编程，”Harris说。处理器通过一系列耦合的光子波导引导光。该小组的完整的提议是是实现交错层的设备，应用一种称为非线性激活功能进行操作，类似于大脑神经元的运作。

　　为了说明这个概念，团队设定可编程纳米光子处理器来实现神经网络识别的四个基本元音。即使采用这种基本系统，它们能达到77%的精度水平，而常规系统的精确度为90%左右。拿这种设备实现系统性的扩大或者提高精度“并没有实质性的障碍”，Soljacic说。

　　Englund说，可编程纳米光子处理器可以有其他的应用，包括数据传输和信号处理。“高速模拟信号处理是一种能比其他方法更快地将信号转换成数字形式的方法，因为光是一种固有的模拟介质。这种方法可以直接在模拟域中进行处理，”他说。

　　该小组说，它仍然需要更多的精力和时间来使这个系统变得有用；然而，一旦系统被放大并充分发挥作用，它将可以找到许多用户案例，如数据中心或安全系统。Harris说，这个系统也可以为自动驾驶汽车或无人驾驶飞机带来好处，或者“无论何时你需要做大量的计算，但你没有足够的动力和时间”时。

　　原文来源：https://phys.org/news/2017-06-optical-deep.html

cyqdesign	2017-06-15 10:06
相关报道：http://www.opticsky.cn/read-htm-tid-97950.html

查看本帖完整版本: [-- 新光学芯片可实现高效“深度学习” --] [-- top --]