Αποκαλύφθηκε το φωτονικό νευρωνικό δίκτυο πυριτίου

Τα νευρωνικά δίκτυα καταιγίζουν τον κόσμο των υπολογιστών. Οι ερευνητές τα χρησιμοποίησαν για να δημιουργήσουν μηχανές που μαθαίνουν μια τεράστια γκάμα δεξιοτήτων που προηγουμένως αποτελούσαν το μοναδικό απόκτημα των ανθρώπων—αναγνώριση αντικειμένων, αναγνώριση προσώπου, επεξεργασία φυσικής γλώσσας, μηχανική μετάφραση. Όλες αυτές οι δεξιότητες, και περισσότερες, γίνονται πλέον ρουτίνα για τις μηχανές.



Υπάρχει λοιπόν μεγάλο ενδιαφέρον για τη δημιουργία ικανότερων νευρωνικών δικτύων που μπορούν να ωθήσουν ακόμη περισσότερο τα όρια της τεχνητής νοημοσύνης. Το επίκεντρο αυτής της εργασίας είναι η δημιουργία κυκλωμάτων που λειτουργούν περισσότερο σαν νευρώνες, τα λεγόμενα νευρομορφικά τσιπ. Πώς όμως να κάνετε αυτά τα κυκλώματα σημαντικά πιο γρήγορα;

είναι ασφαλής η πρόσβαση σε βοήθεια

Σήμερα, λαμβάνουμε μια κάπως απάντηση χάρη στη δουλειά του Alexander Tait και των φίλων του στο Πανεπιστήμιο Princeton στο New Jersey. Αυτοί οι τύποι έχουν κατασκευάσει ένα ολοκληρωμένο φωτονικό νευρομορφικό τσιπ πυριτίου και δείχνουν ότι υπολογίζει σε εξαιρετικά γρήγορες ταχύτητες.





Οι οπτικοί υπολογιστές είναι από καιρό το μεγάλο όνειρο της επιστήμης των υπολογιστών. Τα φωτόνια έχουν σημαντικά μεγαλύτερο εύρος ζώνης από τα ηλεκτρόνια και έτσι μπορούν να επεξεργαστούν περισσότερα δεδομένα πιο γρήγορα. Όμως, τα πλεονεκτήματα των συστημάτων οπτικής επεξεργασίας δεδομένων δεν ξεπέρασαν ποτέ το πρόσθετο κόστος κατασκευής τους, και έτσι δεν υιοθετήθηκαν ποτέ ευρέως.

Αυτό έχει αρχίσει να αλλάζει σε ορισμένους τομείς της πληροφορικής, όπως η επεξεργασία αναλογικού σήματος, η οποία απαιτεί το είδος της εξαιρετικά γρήγορης επεξεργασίας δεδομένων που μπορούν να παρέχουν μόνο τα φωτονικά τσιπ.

Τώρα τα νευρωνικά δίκτυα ανοίγουν μια νέα ευκαιρία για τη φωτονική. Τα φωτονικά νευρωνικά δίκτυα που αξιοποιούν τις φωτονικές πλατφόρμες πυριτίου θα μπορούσαν να έχουν πρόσβαση σε νέα καθεστώτα υπερταχείας επεξεργασίας πληροφοριών για ραδιόφωνο, έλεγχο και επιστημονικούς υπολογισμούς, λένε οι Tait and co.



Στο επίκεντρο της πρόκλησης είναι η παραγωγή μιας οπτικής συσκευής στην οποία κάθε κόμβος έχει τα ίδια χαρακτηριστικά απόκρισης με έναν νευρώνα. Οι κόμβοι παίρνουν τη μορφή μικροσκοπικών κυκλικών κυματοδηγών λαξευμένων σε ένα υπόστρωμα πυριτίου στο οποίο μπορεί να κυκλοφορεί το φως. Όταν απελευθερωθεί αυτό το φως, στη συνέχεια διαμορφώνει την έξοδο ενός λέιζερ που λειτουργεί στο κατώφλι, ένα καθεστώς στο οποίο μικρές αλλαγές στο εισερχόμενο φως έχουν δραματικό αντίκτυπο στην έξοδο του λέιζερ.

Το σημαντικότερο είναι ότι κάθε κόμβος στο σύστημα λειτουργεί με ένα συγκεκριμένο μήκος κύματος φωτός - μια τεχνική γνωστή ως πολυπλεξία διαίρεσης κυμάτων. Το φως από όλους τους κόμβους μπορεί να αθροιστεί με ανίχνευση συνολικής ισχύος πριν τροφοδοτηθεί στο λέιζερ. Και η έξοδος λέιζερ τροφοδοτείται πίσω στους κόμβους για να δημιουργηθεί ένα κύκλωμα ανάδρασης με μη γραμμικό χαρακτήρα.

Ένα σημαντικό ερώτημα είναι πόσο πολύ αυτή η μη γραμμικότητα μιμείται τη νευρική συμπεριφορά. Το Tait και το co μετρούν την έξοδο και δείχνουν ότι είναι μαθηματικά ισοδύναμο με μια συσκευή γνωστή ως επαναλαμβανόμενο νευρωνικό δίκτυο συνεχούς χρόνου. Αυτό το αποτέλεσμα υποδηλώνει ότι τα εργαλεία προγραμματισμού για CTRNN θα μπορούσαν να εφαρμοστούν σε μεγαλύτερα φωτονικά νευρωνικά δίκτυα πυριτίου, λένε.

Αυτό είναι ένα σημαντικό αποτέλεσμα, διότι σημαίνει ότι η συσκευή που κατασκεύασαν οι Tait και συνεργάτες μπορούν να εκμεταλλευτούν αμέσως την τεράστια γκάμα προγραμματιστικών ειδών που έχουν συγκεντρωθεί για αυτού του είδους τα νευρωνικά δίκτυα.



Συνεχίζουν για να επιδείξουν πώς μπορεί να γίνει αυτό χρησιμοποιώντας ένα δίκτυο που αποτελείται από 49 φωτονικούς κόμβους. Χρησιμοποιούν αυτό το φωτονικό νευρωνικό δίκτυο για να λύσουν το μαθηματικό πρόβλημα της εξομοίωσης ενός συγκεκριμένου είδους διαφορικής εξίσωσης και να το συγκρίνουν με μια συνηθισμένη κεντρική μονάδα επεξεργασίας.

Τα αποτελέσματα δείχνουν πόσο γρήγορα μπορεί να είναι τα φωτονικά νευρωνικά δίκτυα. Ο αποτελεσματικός παράγοντας επιτάχυνσης υλικού του φωτονικού νευρωνικού δικτύου εκτιμάται ότι είναι 1.960 × σε αυτήν την εργασία, ας πούμε οι Tait and co. Αυτή είναι μια ταχύτητα τριών τάξεων μεγέθους.

Αυτό ανοίγει τις πόρτες σε μια εντελώς νέα βιομηχανία που θα μπορούσε να φέρει τον οπτικό υπολογιστή στην επικρατούσα τάση. Τα φωτονικά νευρωνικά δίκτυα πυριτίου θα μπορούσαν να αντιπροσωπεύουν τις πρώτες επιδρομές σε μια ευρύτερη κατηγορία φωτονικών συστημάτων πυριτίου για επεκτάσιμη επεξεργασία πληροφοριών, λένε οι Taif και συνεργάτες.

Και άλλοι εργάζονται επίσης σε αυτόν τον τομέα. Νωρίτερα φέτος, ο Yichen Shen στο MIT και μερικοί φίλοι πρότειναν την αρχιτεκτονική πίσω από ένα πλήρως οπτικό νευρωνικό δίκτυο και επέδειξαν στοιχεία του χρησιμοποιώντας έναν προγραμματιζόμενο νανοφωτονικό επεξεργαστή.

πότε ανακαλύφθηκε η μαύρη τρύπα

Φυσικά πολλά εξαρτώνται από το πόσο καλά αποδίδει η πρώτη γενιά ηλεκτρονικών νευρομορφικών τσιπ. Τα φωτονικά νευρωνικά δίκτυα θα πρέπει να προσφέρουν σημαντικά πλεονεκτήματα για να υιοθετηθούν ευρέως και ως εκ τούτου θα απαιτήσουν πολύ πιο λεπτομερή χαρακτηρισμό. Σαφώς, υπάρχουν ενδιαφέρουσες στιγμές μπροστά για τη φωτονική.

Αναφ.: arxiv.org/abs/1611.02272 : Neuromorphic Silicon Photonics

Αυτή η ιστορία ενημερώθηκε στις 22 Νοεμβρίου για να συμπεριλάβει πρόσθετη εργασία που έγινε από ερευνητές στο MIT.

κρύβω

Πραγματικές Τεχνολογίες

Κατηγορία

Χωρίς Κατηγοριοποίηση

Τεχνολογία

Βιοτεχνολογία

Τεχνική Πολιτική

Την Αλλαγή Του Κλίματος

Άνθρωποι Και Τεχνολογία

Silicon Valley

Χρήση Υπολογιστή

Περιοδικό Mit News

Τεχνητή Νοημοσύνη

Χώρος

Έξυπνες Πόλεις

Blockchain

Feature Story

Προφίλ Αποφοίτων

Σύνδεση Αποφοίτων

Δυνατότητα Ειδήσεων Mit

1865

Η Θέα Μου

77 Mass Ave

Γνωρίστε Τον Συγγραφέα

Προφίλ Στη Γενναιοδωρία

Βλέπεται Στην Πανεπιστημιούπολη

Επιστολές Αποφοίτων

Νέα

Εκλογές 2020

Με Ευρετήριο

Κάτω Από Τον Θόλο

Πυροσβεστική Μάνικα

Άπειρες Ιστορίες

Πανδημικό Τεχνολογικό Έργο

Από Τον Πρόεδρο

Θέμα Εξώφυλλου

Φωτογραφίες

Συνιστάται