Nykypäivän digitaaliaikana laskennalliset tehtävät ovat muuttuneet yhä monimutkaisemmiksi. Tämä puolestaan ​​on johtanut digitaalisten tietokoneiden virrankulutuksen eksponentiaaliseen kasvuun. Siksi on tarpeen kehittää laitteistoresursseja, joilla voidaan suorittaa laajamittaista laskentaa nopeasti ja energiatehokkaasti.

Tässä suhteessa, , jotka käyttävät valoa sähkön sijaan laskutoimitukseen, ovat lupaavia. Ne voivat mahdollisesti tarjota pienemmän latenssin ja pienentää virrankulutusta, mikä hyötyy rinnakkaisuudesta  omistaa. Tämän seurauksena tutkijat ovat tutkineet erilaisia ​​optisia laskentamalleja.

Esimerkiksi diffraktiivinen optinen  on suunniteltu yhdistämällä optiikka ja syväoppiminen suorittamaan optisesti monimutkaisia ​​laskentatehtäviä, kuten kuvien luokittelua ja rekonstruointia. Se käsittää pinon strukturoituja diffraktiivisia kerroksia, joista jokaisessa on tuhansia diffraktiivisia piirteitä/neuroneja. Näitä passiivisia kerroksia käytetään ohjaamaan valon ja aineen vuorovaikutusta syöttövalon moduloimiseksi ja halutun tehon tuottamiseksi. Tutkijat kouluttavat diffraktiivista verkkoa optimoimalla näiden kerrosten profiilia käyttämällä  työkaluja. Tuloksena olevan rakenteen valmistuksen jälkeen tämä kehys toimii erillisenä optisena käsittelymoduulina, joka vaatii vain tulovalaistuksen lähteen saamisen käyttöön.

Tähän mennessä tutkijat ovat onnistuneesti suunnitelleet monokromaattisia (yhden aallonpituuden valaistus) diffraktiivisia verkkoja yhden lineaarisen toteutuksen toteuttamiseksi.  (matriisin kertolasku) -operaatio. Mutta onko mahdollista toteuttaa useita lineaarisia muunnoksia samanaikaisesti? Sama UCLA-tutkimusryhmä, joka ensimmäisenä esitteli diffraktiiviset optiset verkot, on äskettäin käsitellyt tätä kysymystä. Äskettäin julkaistussa tutkimuksessa Edistynyt fotoniikka, he käyttivät aallonpituusmultipleksointijärjestelmää diffraktiivisessa optisessa verkossa ja osoittivat laajakaistaisen diffraktiivisen verkon käyttökelpoisuuden.  suorittaa massiivisesti rinnakkaisia ​​lineaarisia muunnosoperaatioita.

UCLA:n kanslerin professori Aydogan Ozcan, Samueli School of Engineeringin tutkimusryhmän johtaja, kuvailee lyhyesti tämän optisen prosessorin arkkitehtuuria ja periaatteita: "Laajakaistaisessa diffraktiivisessa optisessa prosessorissa on tulo- ja lähtönäkymät N:llä.i ja No pikseliä, vastaavasti. Ne on yhdistetty peräkkäisillä strukturoiduilla diffraktiivisilla kerroksilla, jotka on valmistettu passiivisista läpäisevistä materiaaleista. Ennalta määrätty ryhmä Nw diskreetit aallonpituudet koodaa tulo- ja lähtötiedot. Jokainen aallonpituus on omistettu ainutlaatuiselle kohdefunktiolle tai kompleksiarvoiselle lineaarimuunnokselle”, hän selittää.

"Nämä kohdemuunnokset voidaan määrittää erityisesti erillisiin toimintoihin, kuten kuvien luokitteluun ja segmentointiin, tai ne voidaan omisttaa erilaisten konvoluutiosuodatintoimintojen tai täysin yhdistettyjen kerrosten laskemiseen neuroverkossa. Kaikki nämä lineaarimuunnokset tai halutut funktiot suoritetaan samanaikaisesti valon nopeudella, jolloin jokainen haluttu toiminto on määritetty yksilölliselle aallonpituudelle. Tämä mahdollistaa laajakaistaisen optisen prosessorin laskemisen äärimmäisellä suorituskyvyllä ja rinnakkaisuudella."

Tutkijat osoittivat, että tällainen aallonpituusmultipleksoitu optinen prosessori voi suunnitella Nw ainutlaatuiset lineaarimuunnokset, joiden virhe on mitätön, kun sen diffraktiivisten piirteiden kokonaismäärä N on suurempi tai yhtä suuri kuin 2NwNiNo. Tämä johtopäätös vahvistettiin Nw > 180 erilaista muutosta läpi  ja pätee materiaaleihin, joilla on erilaiset dispersioominaisuudet. Lisäksi suuremman N (3NwNiNo) lisäsi Nw Lisäksi noin 2000 ainutlaatuista muunnosa, jotka kaikki suoritetaan optisesti rinnakkain.

Ozcan sanoo tämän uuden laskentasuunnitelman mahdollisuuksista: "Tällaiset massiivisesti rinnakkaiset, aallonpituusmultipleksoidut diffraktiiviset prosessorit ovat hyödyllisiä suunniteltaessa korkean suorituskyvyn älykkäitä konenäköjärjestelmiä ja hyperspektrisiä prosessoreita, ja ne voivat inspiroida lukuisia sovelluksia eri aloilla, mukaan lukien biolääketieteen kuvantaminen, kaukokartoitus, analyyttinen kemia ja materiaalitiede."

Lähde: Syväoppimiseen suunniteltu diffraktiivinen prosessori laskee satoja muunnoksia rinnakkain

Kääntää "