光速圖像識別了解一下：低于1納秒的那種

Alex 發(fā)自 凹非寺
量子位 | 公眾號 QbitAI

比深度神經(jīng)網(wǎng)絡(luò)速度還快的是什么？

或許光子DNN可以回答這個問題。

現(xiàn)在，美國研究者開發(fā)的一個光子神經(jīng)網(wǎng)絡(luò) (photonic deep neural network，PDNN)，讓圖像識別僅需1納秒。

1納秒是什么概念？它等于10^-9秒，這與最先進的微芯片單時鐘周期（最小的時間單位）相當。

此外，研究者測試發(fā)現(xiàn)，PDNN對圖像進行2分類和4分類的準確率分別高達93.8%和89.8%。

誠然，如今的大型多層神經(jīng)網(wǎng)絡(luò)高效且運算能力很強，但其也受到硬件的限制，往往需要消耗大量的電力資源等。

而賓夕法尼亞大學的工程師們研發(fā)的PDNN，能夠直接分析圖像，不需要時鐘、傳感器或大型存儲模塊，以有效降低耗能。

這項研究成果的相關(guān)論文在6月1日登上了Nature雜志。

和傳統(tǒng)DNN相比，光子DNN的原理和性能有何不同？

先來看看傳統(tǒng)DNN：

圖a是傳統(tǒng)DNN的結(jié)構(gòu)示意圖，包括一個數(shù)據(jù)排列單元，然后是輸入層、幾個隱藏層，和一個提供分類輸出的輸出層。

圖b展示了傳統(tǒng)N輸入神經(jīng)元的結(jié)構(gòu)：輸入的線性加權(quán)和，通過一個非線性激活函數(shù)，產(chǎn)生神經(jīng)元的輸出。

圖c和圖d分別是一個PDNN芯片的神經(jīng)網(wǎng)絡(luò)示意圖和N輸入神經(jīng)元結(jié)構(gòu)。

首先在一個5×6光柵耦合器上形成輸入圖像，然后將其排列成4個重疊的子圖像，子圖像的像素被傳送到第一層神經(jīng)元，形成一個卷積層。

后面的神經(jīng)元與它們的前一層完全連接，該網(wǎng)絡(luò)產(chǎn)生2個輸出，可最多為4種圖像信息分類。

對于這些神經(jīng)元，其輸入都是光學信號。

在每個神經(jīng)元中，線性計算是通過光學方式進行的，而非線性激活函數(shù)是通過光電子方式實現(xiàn)的，從而可使分類時間低于570ps（=0.57ns）。

論文的通訊作者，電氣工程師Firooz Aflatouni對這個PDNN的性能補充描述道：它每秒可以對近18億張圖像進行分類，而傳統(tǒng)的視頻幀率是每秒24至120幀。

這里的PDNN芯片電路被集成在僅9.3 mm² 的面積內(nèi)，不需要時鐘、傳感器以及大型存儲模塊。

一個激光器被耦合到芯片內(nèi)，為各個神經(jīng)元提供光源；該芯片包含兩個5×6的光柵耦合器，分別作為輸入像素陣列和校準陣列。

不過，均勻分布的供給光每個神經(jīng)元光提供了相同的輸出范圍，顯然這將允許將其擴展到更大規(guī)模的PDNN。

研究者們讓這個PDNN微芯片識別手寫字母。

一組實驗測試了PDNN芯片的二分類性能：需要對共計216個“p”和“d”字母組成的數(shù)據(jù)集進行分類。

該芯片準確率高于93.8%。（（92.8%+94.9%）/2）

另一組實驗測試了PDNN芯片的四分類性能：需對共計432個“p”、“d”、“a”、“t”字母組成的數(shù)據(jù)集進行分類。

該芯片分類準確率高于89.8%。

這些結(jié)果表明，即使有更多的類（如分四類情況），且存在打印機引起的變化和噪聲，PDNN芯片仍取得了較高的分類精度。

為了比較這個PDNN和傳統(tǒng)DNN的圖像分類準確性，研究者還測試了在Python中使用Keras庫實現(xiàn)的190個神經(jīng)元組成的DNN，結(jié)果顯示：它在相同圖像上的分類準確率為96%。

論文一作，F(xiàn)arshid Ashtiani現(xiàn)任美國賓夕法尼亞大學電氣和系統(tǒng)工程系博士后研究員，主要研究方向是光子-電子聯(lián)合/混合集成系統(tǒng)。

論文的其他作者也都來自賓大的電氣和系統(tǒng)工程系。

去年，就有一位日本NTT研究所的科學家表示，光子計算可以降低神經(jīng)網(wǎng)絡(luò)計算的能耗，擁有巨大潛力，很可能成為深度學習的未來重點發(fā)展對象。

該研究的賓大工程師們則表示，PDNN對光學數(shù)據(jù)的直接、無時鐘處理消除了模擬-數(shù)字轉(zhuǎn)換和對大型內(nèi)存模塊的要求，使下一代深度學習系統(tǒng)的神經(jīng)網(wǎng)絡(luò)更快、更節(jié)能。

對于光子深度神經(jīng)網(wǎng)絡(luò)的前景和應(yīng)用，你怎么看？

論文地址：
https://www.nature.com/articles/s41586-022-04714-0#article-info
參考鏈接：
https://spectrum.ieee.org/photonic-neural-network

本文來自微信公眾號“量子位”（ID：QbitAI），36氪經(jīng)授權(quán)發(fā)布。