利用光开发更智能、更快的机器智能

[原文来自：www.11jj.com]

乔治华盛顿大学、加利福尼亚大学洛杉矶分校、以及深度技术创业公司Optelligence LLC的研究人员，已经开发出了一种光卷积神经网络加速器，该加速器能够每秒处理PB级的大量信息。这项利用光的大规模并行性的创新，开启了光信号处理机器学习新时代的到来，其应用广泛，包括无人驾驶汽车、5G网络、数据中心、生物医学诊断、数据安全等。 [本文来自：www.11jj.com]

大规模并行的仅振幅傅立叶神经网络

全球对机器学习硬件的需求正在大大超过当前的计算电源。最先进的电子硬件，例如图形处理单元和张量处理单元加速器，可以帮助缓解这种情况，但是却受到串行数据处理的挑战，串行数据处理需要迭代数据处理，并且会遇到布线和电路约束带来的延迟。

电子硬件的光学替代产品可以通过简化以非迭代方式处理信息的方式来帮助加快机器学习过程。但是，基于光子的机器学习通常受到可放置在光子集成电路上的组件数量的限制，从而限制了互连性，而自由空间空间光调制器的编程速度却受到限制。

为了在该光学机器学习系统中取得突破，研究人员用基于数字镜的技术取代了空间光调制器，从而使系统开发速度提高了100倍。该处理器的非迭代时序，再加上快速的可编程性和大规模并行化，使得该光学机器学习系统甚至可以比最先进的图形处理单元超出一个数量级，并具有进一步优化的空间超出了最初的原型。

与电子机器学习硬件中按顺序处理信息的当前范例不同，此处理器使用傅立叶光学，这是一种频率滤波的概念，它允许使用数字镜技术以更简单的逐元素乘法执行神经网络所需的卷积。

研究人员表示：“这种大规模并行，仅振幅的傅立叶光学处理器预示着信息处理和机器学习的新时代。我们证明，训练该神经网络可以解决相位信息的缺乏问题。

“光学技术允许在单个时间步中处理大规模矩阵，从而允许光学地进行卷积的新缩放向量。这在机器学习应用中具有巨大的潜力。”

“该原型演示展示了光加速器的商业化途径，该光加速器已为网络边缘处理，数据中心和高性能计算系统等许多应用做好了准备。”

这一题为“仅具有平行振幅的傅立叶神经网络”（Massively Parallel Amplitude-Only Fourier Neural Network）的论文发表在最近一期的《Optica》杂志上。

相关链接：https://phys.org/news/2020-12-smarter-faster-machine-intelligence.html