Ricercatori della George Washington University, insieme ai ricercatori dell'Università della California, Los Angeles, e la startup di venture deep-tech Optelligence LLC, hanno sviluppato un acceleratore di rete neurale convoluzionale ottico in grado di elaborare grandi quantità di informazioni, nell'ordine dei petabyte, al secondo. Questa innovazione, che sfrutta il massiccio parallelismo della luce, annuncia una nuova era di elaborazione del segnale ottico per l'apprendimento automatico con numerose applicazioni, anche nelle auto a guida autonoma, reti 5G, Centri dati, diagnostica biomedica, sicurezza dei dati e altro ancora.

La domanda globale di hardware per l'apprendimento automatico sta superando drasticamente gli attuali alimentatori di elaborazione. Hardware elettronico all'avanguardia, come unità di elaborazione grafica e acceleratori di unità di elaborazione del tensore, aiuta a mitigare questo, ma sono intrinsecamente sfidati dall'elaborazione di dati seriali che richiede un'elaborazione dati iterativa e incontra ritardi dovuti a vincoli di cablaggio e circuito. Le alternative ottiche all'hardware elettronico potrebbero aiutare ad accelerare i processi di apprendimento automatico semplificando il modo in cui le informazioni vengono elaborate in modo non iterativo. Però, l'apprendimento automatico basato su fotonica è in genere limitato dal numero di componenti che possono essere posizionati su circuiti integrati fotonici, limitare l'interconnessione, mentre i modulatori di luce spaziale nello spazio libero sono limitati a velocità di programmazione lente.

Per ottenere una svolta in questo sistema di apprendimento automatico ottico, i ricercatori hanno sostituito i modulatori di luce spaziale con la tecnologia digitale a specchio, sviluppando così un sistema oltre 100 volte più veloce. Il timing non iterativo di questo processore, in combinazione con una rapida programmabilità e una massiccia parallelizzazione, consente a questo sistema di apprendimento automatico ottico di superare anche le migliori unità di elaborazione grafica di oltre un ordine di grandezza, con spazio per ulteriori ottimizzazioni oltre il prototipo iniziale.

A differenza dell'attuale paradigma nell'hardware di apprendimento automatico elettronico che elabora le informazioni in sequenza, questo processore utilizza l'ottica di Fourier, un concetto di filtraggio di frequenza che consente di eseguire le convoluzioni richieste della rete neurale come moltiplicazioni per elementi molto più semplici utilizzando la tecnologia dello specchio digitale.

"Questo processore ottico di Fourier di sola ampiezza massicciamente parallelo sta annunciando una nuova era per l'elaborazione delle informazioni e l'apprendimento automatico. Dimostriamo che l'addestramento di questa rete neurale può spiegare la mancanza di informazioni di fase, "dice Volker Sorger, professore associato di ingegneria elettrica e informatica presso la George Washington University.

"L'ottica consente di elaborare matrici su larga scala in un unico passaggio temporale, che consente nuovi vettori di ridimensionamento per eseguire otticamente le convoluzioni. Ciò può avere un potenziale significativo per le applicazioni di apprendimento automatico, come dimostrato qui, "dice Puneet Gupta, professore e vicepresidente di ingegneria informatica presso l'Università della California, Los Angeles.

"Questa dimostrazione del prototipo mostra un percorso commerciale per acceleratori ottici pronti per una serie di applicazioni come l'elaborazione ai margini della rete, data center e sistemi di calcolo ad alte prestazioni, "dice Hamed Dalir, cofondatore, Optelligence LLC.

La carta, "Massively Parallel Amplitude-Only Fourier Neural Network" è stato pubblicato oggi sulla rivista ottica .