这种新诱惑诈欺光在芯片上膨胀深度神经网罗的要津操作裸舞 合集，为粗略及时学习的高速处理器掀开了大门。

为现在最尖刻的机器学习应用提供能源的深度神经网罗模子依然变得如斯弘远和复杂，以致于它们正在冲破传统电子琢磨硬件的极限。

光子硬件不错诈欺光进行机器学习琢磨，提供了一种更快、更节能的替代决策。然而，有一些类型的神经网罗琢磨是光子诱惑无法膨胀的，需要使用片外电子诱惑或其他本事，这封闭了速率和后果。

经过十年的筹议，麻省理工学院和其他场地的科学家依然开发出一种新的光子芯片，克服了这些空泛。他们展示了一个满盈集成的光子处理器，不错在芯片上光学地膨胀深度神经网罗的所关系键琢磨。

该光学诱惑粗略在不到半纳秒的时间内完成机器学习分类任务的要津琢磨，同期完了卓绝92%的准确率，这一性能与传统硬件荒谬。

该芯片由相互邻接的模块构成，酿成一个光学神经网罗，接受交易锻造工艺制造，这不错使该本事的界限和集成到电子居品中。

从长久来看，光子处理器不错为激光雷达、天文体和粒子物理学的科学筹议或高速电信等琢磨条目高的应用带来更快、更节能的深度学习。

“在很厚情况下，模子的阐扬若何并不是独一进犯的事情，进犯的是你能多快得回谜底。现在咱们有了一个端到端系统，不错在纳秒的时间圭臬上运行光学神经网罗，咱们不错启动在更高头绪上想考应用和算法，”Saumil Bandyopadhyay说，他是电子筹议实验室（RLE）量子光子学和东说念主工智能小组的拜谒科学家，亦然NTT筹议公司的博士后，他是一篇对于新芯片的论文的主要作家。这项筹议今天发表在《当然光子学》杂志上。

机器学习与光

深度神经网罗由很多相互邻接的节点层或神经元构成，它们对输入数据进行操作以产生输出。深度神经网罗中的一个要津操作触及使用线性代数来膨胀矩阵乘法，它在数据从一层传递到另一层时进行缓助。

但除了这些线性操作以外，深度神经网罗还膨胀非线性操作，匡助模子学习更复杂的模式。非线性运算，如激活函数，赋予深度神经网罗处罚复杂问题的才气。

2017年，该论文的资深作家Dirk Englund的团队与Cecil和Ida Green物理学证明Marin Soljačić实验室的筹议东说念主员沿途在单个光子芯片献技示了一种光学神经网罗，该网罗不错与光进行矩阵乘法。

但那时，该诱惑无法在芯片上膨胀非线性操作。光学数据必须被缓助成电信号，然后送到数字处理器进行非线性运算。

“光学中的非线性是荒谬具有挑战性的，因为光子辞让易相互作用。这使得触发光学非线性相当耗电，因此构建一个不错以可扩展的格式完成的系统变得具有挑战性，”Bandyopadhyay解释说念。

他们通过联想一种名为非线性光学功能单位（NOFUs）的诱惑克服了这一挑战，该诱惑将电子和光学聚拢起来，在芯片上完了非线性操作。

筹议东说念主员在光子芯片上成立了一个光学深度神经网罗，使用三层器件进行线性和非线性操作。

满盈集成的网罗

一启动，他们的系统将深度神经网罗的参数编码为光。然后，2017年论文中展示的一组可编程分束器对这些输入膨胀矩阵乘法。

然后，数据传递给可编程的NOFU， NOFU通过将少许的光虹吸到光电二极管中来完了非线性功能，光电二极管将光信号缓助为电流。这个流程不需要外部放大器，失掉的能量很少。

“咱们一直停留在光学界限，直到终末咱们想要读出谜底。这使咱们粗略完了超低延长，”Bandyopadhyay说。

完了如斯低的延长使他们粗略有用地在芯片上测验深度神经网罗，这一流程被称为原位测验，在数字硬件中常常会失掉无数能量。

他说：“这对导航或电信等对光信号进行域内处理的系统非常有用，但对那些想要及时学习的系统也很有用。”

该光子系统在测验测试中达到96%以上的准确率，在推理流程中达到92%以上的准确率，与传统硬件荒谬。此外，该芯片在不到半纳秒的时间内完成要津琢磨。

“这项责任标明，琢磨 —— 其骨子是输入到输出的映射 —— 不错被编译到线性和非线性物理的新架构中，这使得琢磨与所需的起劲有了根底不同的比例限定，”Englund说。

悉数电路是使用坐蓐CMOS琢磨机芯片的一样基础才能和代工工艺制造的。这不错使芯片大界限坐蓐，使用可靠的本事，在制造流程中引入很少的过错。

Bandyopadhyay暗意，扩大他们的诱惑并将其与试验全国的电子诱惑（如相机或电信系统）集成将是将来责任的主要要点。此外，筹议东说念主员但愿探索粗略诈欺光学上风的算法，以更快的速率和更好的能源后果测验系统。

这项筹议部分由好意思国国度科学基金会、好意思国空军科学筹议办公室和NTT筹议所资助。

 裸舞 合集