Нанофотонные нейронные сети — это новое направление в физике и машинном обучении, которое обещает низкоэнергетическое машинное обучение со сверхвысокой пропускной способностью, реализованное оптически.
Большая часть вычислительного оборудования очень расточительна в вычислительном отношении применительно к искусственным нейронным сетям, поскольку они были разработаны для схем фон Неймана (традиционных) вычислений.
«Одна из основных проблем заключается в том, что [схемы вычислений фон Неймана] обычно создают промежуточные данные для реализации вывода. Перемещение данных, особенно вне чипа, приводит к большим потерям энергии и задержке. Это узкое место». ~ Мэн-Фан Чанг, профессор Национального университета Цинхуа
Одним из преимуществ оптических систем с точки зрения энергопотребления является то, что они полностью пассивны. Никаких активных вычислений не требуется, поэтому они также практически не выделяют тепла. Кроме того, «тактовая частота» оптической системы не так ограничена, как в традиционных электронных вычислениях, поскольку она ограничена «частотой модуляции лазера», которая может находиться в диапазоне от 100 ГГц до 1 ТГц.
Конечно, это очень новая идея, поэтому нельзя ожидать такой же зрелости, как в производстве стандартной электроники.
Группа Стэнфордского университета недавно опубликовала документ, описывающий метод физически реализуемых оптических функций активации для использования в нанофотонных нейронных сетях (NNN, кто-нибудь?). Они также открыли исходный код своего симулятора.
Их платформа моделирования, написанная на Python, может быть установлена с pip install neuroptica. Вы можете поэкспериментировать с ним самостоятельно или воспользоваться их демонстрацией для планарной классификации данных, включая ячейку для определения электрооптической активации.
Вывод, или «Почему оптический»?
Оптические нейронные сети обрабатывают информацию со скоростью света, хотя они еще не находятся на стадии масштабируемого производства.
Эта статья была написана Фредерик Басслер, генеральный директор Bitgrit. Присоединяйтесь к нашему сообществу специалистов по данным или нашему Telegram, чтобы узнать больше и узнать о возможностях в области науки о данных.
