Машинное обучение с использованием нанофотонных сред стало многообещающим подходом к сокращению объема оптических вычислений на кристалле. Аналогичные подходы применяются и к матричным операциям на кристалле. Тем не менее, создание компактных и функциональных нейронных вычислительных структур с использованием нанофотонных сред, которые без ущерба для себя интегрируют в процесс обучения присущие процессорам ограничения производства, остается экспериментальной задачей. Разработка таких структур, совместимых с общими технологиями изготовления, в потенциале раскроет все возможности интегрированных фотонных платформ для устройств машинного обучения.

Исследователи из Массачусетского технологического института и Университета Цинхуа изучили различные современные решений для энергоэффективных оптических компьютеров — интерферометры Маха — Цендера, волноводные аттенюаторы, микрокольца и дифракционные элементы — и признали их не подходящими из-за ограничений, наложенных их компонентами, которые ограничивают дальнейшую миниатюризацию.

Поэтому ученые разработали новый подход, использующий для решения проблем вычислительной плотности и энергоэффективности нанофотонные носители. Это первая полностью готовая и протестированная нейронная вычислительная система на платформе кремний на изоляторе (КНИ) с использованием нанофотонных носителей, прошедших испытание на наборе данных Iris flower17.

Архитектура разместилась на площади всего 64 мкм2 — на три порядка меньше, чем традиционные оптические нейронные сети на кристалле, которые обычно занимают несколько квадратных миллиметров. После обучения новым методом модель достигла точности теста 86,7%, а экспериментальная точность чипа также составила 86,7%.

Новый чип не только занимает меньшую площадь, но и обеспечивают масштабируемость для более сложных задач машинного обучения. Чтобы продемонстрировать это, ученые протестировали его на наборе данных из 1797 тестовых изображений для распознавания рукописных цифр. Точность составила 92,8%. При этом энергопотребление составило всего 1 мВт для оптического ввода и 56 мВт для управления фазовращателями, а задержка вычислений — 0,11 пикосекунды.

Этот прорыв открывает путь к сверхплотным, энергоэффективным фотонным процессорам для систем машинного обучения. Инновация позволит значительно сократить размеры оборудования, время задержки и энергопотребление приложений ИИ, говорится в статье, опубликованной на сайте arXiv.

Фотонные преобразователи энергии превращают лазерный свет в электроэнергию и позволяют интегрировать фотонику в существующую волоконно-оптическую инфраструктуру. Специалисты из Канады испытали такой преобразователь и выяснили, что он способен одновременно подключать и заряжать электронику на больших расстояниях с помощью простого оптоволокна, даже в самых суровых условиях.