在 2022 年 6 月 1 日發表于《自然》雜志上的一篇文章中，賓夕法尼亞大學研究人員介紹了其開發的一種功能強大的新型光學芯片。實驗裝置由一個神經網絡組成，能夠以光的形式來處理信息（每秒可處理近 20 億數量級的圖像），而不至于被内存等傳統計算機芯片組件給拖後腿。

研究配圖 - 1：傳統光-電子深度神經網絡（來自：UPENN）

深度神經網絡是這套用于圖像分類的片上光子芯片的重要基礎，作為一套以大腦處理信息方式為模型的系統，這些網絡由像神經元一樣相互連接的節點組成。

研究配圖 - 2：光-電子神經元的實施示例

然後通過投喂大量數據集展開訓練，以讓神經網絡習得類似于生物大腦的思考方式 —— 比如用于分辨圖像中的對象、或語音中的單詞。

研究配圖 - 3：光子分類器的結構示例

随着時間的推移，神經網絡還會在相關工作任務上漸入佳境。不過賓夕法尼亞大學的這項研究，卻并不以電信号的形式 —— 而是以光的形式 —— 來處理信息。

研究配圖 - 4：圖像分類演示

通過使用光纖作為其神經元、并堆疊于多個層中，每層均可專注于特定類型的分類工作。測試期間，研究團隊使用了一枚大小僅 9.3m㎡ 的芯片。

擴展 圖 1 - 圖像形成與測量設置示意

在開展了相關數據集的訓練後，該芯片便可對包含兩種字符集的圖像進行分類，且準确率高達 93.8% 。而對四種類型的圖像分類工作，其準确率亦有 89.8% 。

擴展 圖 2 - PDNN 芯片訓練與阈值計算

最令人印象深刻的，莫過于該芯片能夠在 0.57 ns 内對每個字符進行分類 —— 意味其每秒可處理 17.5 億張圖像。

擴展 圖 3 - 傳播時間測量

研究團隊表示，相較于現代計算機芯片的這一速度優勢，源于芯片将信息換成光來處理的能力。

擴展 圖 4 - 與現有技術的比較

論文一作 Firooz Aflatouni 表示，該芯片通過所謂的“傳播計算”（computation-by-propagation）來處理信息，且他們巧妙地跳過了光-電信号的轉換步驟。

擴展 圖 5 - 可擴展性與計算時間的增強方法

與基于時鐘的系統不同，傳播計算是在光通過芯片傳播時發生的、而這款片上芯片能夠直接讀取和處理光信号，使得這項技術的處理速度能夠遠勝于過往。

擴展 圖 6 - 微環對齊算法和表征

這項技術的另一項優點，是不需要存儲正在處理的信息，因而無需将數據發送到内存 —— 并且根本不需要該組件 —— 以節省大量時間和保障數據安全（防止任何形式的潛在洩露）。

擴展 圖 7 - 電子控制電路的框圖

下一步，賓夕法尼亞大學研究團隊計劃擴大芯片規模，并對該技術加以适當的調整，以使之能夠處理其它類型的數據。

有關這項研究的詳情，已經發表在 2022 年 6 月 1 号出版的《自然》（Nature）期刊上，原标題為《An on-chip photonic deep neural network for image classification》。

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!