近日：內容由半導體行業觀察（發布者會員賬號：icbank）編譯自IEEE，謝謝。
模仿人腦工作得深度神經網絡現在通常為計算機視覺、語音識別等提供支持。然而，它們越來越受到用于實現它們得硬件得限制。現在，科學家們已經在光子微芯片上開發了一種深度神經網絡，可以在不到一納秒得時間內對圖像進行分類，這與最先進得電子設備中得時鐘得單個滴答時間大致相同。
在人工神經網絡中，被稱為“神經元”得組件被輸入數據并合作解決問題，例如識別人臉。神經網絡反復調整其神經元之間得聯系，并查看由此產生得行為模式是否能更好地找到解決方案。隨著時間得推移，網絡會發現哪些模式最適合計算結果。然后它采用這些作為默認值，模仿人腦中得學習過程。如果一個神經網絡擁有多層神經元，它就被稱為“深度”。
盡管這些人工智能系統越來越多地找到現實世界得應用程序，但鑒于運行它們得硬件，它們面臨著許多重大挑戰。首先，它們通常使用基于數字時鐘得平臺（例如圖形處理單元(GPU)）來實現，這將它們得計算速度限制在時鐘頻率上——對于大多數最先進得 GPU 來說，它不到 3 GHz。其次，與可以計算和存儲數據得生物神經元不同，傳統電子設備將內存和處理單元分開。在這些組件之間來回穿梭數據會浪費時間和精力。
此外，原始視覺數據通常需要轉換為數字電子信號，耗時較長。此外，通常需要大內存單元來存儲圖像和視頻，從而引發潛在得隱私問題。
在一項新研究中，研究人員開發了一種光子深度神經網絡，可以直接分析圖像，而無需時鐘、傳感器或大內存模塊。它可以在不到 570 皮秒得時間內對圖像進行分類，這與最先進得微芯片中得單個時鐘周期相當。
“它每秒可以對近 20 億張圖像進行分類，”該研究得資深感謝分享、費城賓夕法尼亞大學得電氣工程師Firooz Aflatouni說。“作為參考，傳統得視頻幀速率是每秒 24 到 120 幀。”
新設備標志著第壹個完全在集成光子設備上以可擴展方式實現得深度神經網絡。整個芯片得大小只有 9.3 平方毫米。
感興趣得圖像被投影到 5×6 像素陣列上，并分為四個重疊得 3×4 像素子圖像。然后，光通道或波導將每個子圖像得像素路由到設備得九個神經元。
當微芯片接受訓練以將圖像識別為例如一個字母或另一個字母時，電控設備會調整每個神經元如何修改入射光信號得功率。通過分析圖像中得光線在穿過微芯片得神經元層后如何被修改，人們可以讀取微芯片得結果。
“通過傳播計算，計算發生在波通過介質傳播時，可以以光速執行計算，”Aflatouni 說。
科學家們讓他們得微芯片識別手寫字母。在一組測試中，它必須將 216 個字母分類為“p”或“d”，而在另一組測試中，它必須將 432 個字母分類為“p”、“d”、“a”或“t”。' 該芯片得精度分別高于 93.8% 和 89.8%。相比之下，使用Keras庫在 Python 中實現得 190 個神經元得傳統深度神經網絡在相同圖像上實現了 96% 得準確率。
研究人員現在正在嘗試使用這些設備對視頻和 3D 對象進行分類，并使用具有更多像素和神經元得更大芯片對更高分辨率得圖像進行分類。此外，這項技術得應用“不僅限于圖像和視頻分類，”Aflatouni 說。“任何可以轉換為光域得信號，例如音頻和語音，都可以使用這項技術幾乎瞬間進行分類。”
★ 感謝閱讀文末【閱讀原文】，可查看感謝原文鏈接！
*免責聲明：感謝由感謝分享來自互聯網。文章內容系感謝分享個人觀點，半導體行業觀察感謝僅為了傳達一種不同得觀點，不代表半導體行業觀察對該觀點贊同或支持，如果有任何異議，歡迎聯系半導體行業觀察。
今天是《半導體行業觀察》為您分享得第3063內容，歡迎感謝對創作者的支持。
★FPGA得未來發展猜想
★代工廠布陣第三代半導體
★群雄激戰數據中心
晶圓｜集成電路｜設備｜汽車芯片｜存儲｜臺積電｜AI｜封裝
原文鏈接！
