Новое исследование исследователей Лаборатории военно-морских исследований США (NRL) вносит новый вклад в оптоволоконные вычисления. Статья под названием «Оптико-оптические вычисления с использованием распределенной обратной связи» опубликованная в журнале Communications Physics приближает ВМФ на один шаг к более быстрым и эффективным вычислительным технологиям.
Оптические вычисления используют такие свойства света, как его скорость и способность переносить большие объемы данных, чтобы обрабатывать информацию более эффективно, чем традиционные электронные компьютеры.
В сотрудничестве с Национальными лабораториями Сандии и Университетом Центральной Флориды NRL стремится повысить скорость обработки, снизить потребление энергии и создать новые приложения в таких областях, как обработка данных , телекоммуникации и искусственный интеллект.
«Эта статья знаменует собой значительный прогресс в оптических вычислениях », — сказал Брэндон Реддинг, доктор философии, физик-исследователь из отдела оптических наук NRL. «Это первая технология, в которой используется распределенная обратная связь в оптическом волокне, сочетающая временное кодирование с частично отражающим волокном с низкими потерями. Наш подход обеспечивает масштабируемость для одновременной обработки нескольких нейронов, а также высокую скорость работы и компактность, легкость и мощность». эффективный дизайн, поскольку вся система соединена по оптоволокну и не требует оптики в свободном пространстве».
Военно-морской флот быстро внедряет алгоритмы машинного обучения для широкого спектра приложений. Многие из этих приложений чувствительны ко времени и энергии; например, задачи распознавания изображений или целей, когда объекты требуют идентификации в реальном времени.
«Многие из этих приложений включают в себя развернутые, часто автономные платформы с ограниченной доступностью электроэнергии», — сказал Реддинг. «Мы намерены использовать аналоговую фотонику, которая имеет принципиально иное масштабирование энергии, чем цифровая электроника на основе фон Неймана, для выполнения этих задач машинного обучения с меньшим энергопотреблением и с меньшей задержкой. В текущей статье мы провели анализ энергопотребления , показывающий потенциальное энергопотребление в 100–1000 раз ниже, чем у графического процессора, в зависимости от размера проблемы».
Это исследование показывает, как оптику можно использовать для решения важных вычислительных задач с использованием пассивных случайных проекций, в данном случае нелинейных случайных сверток. Это противоречит тому, как работает большинство машинного обучения, которое обычно требует тщательного обучения для установки весов нейронной сети.
«Вместо этого мы показываем, что случайные веса все еще могут выполнять полезные вычислительные задачи», — сказал Реддинг. «Это важно, потому что мы можем очень эффективно применять случайные веса в оптической области, просто рассеивая свет на шероховатой поверхности или, как мы показываем в этой статье, рассеивая свет на неоднородностях в оптическом волокне».
В традиционных компьютерах на основе цифровой электроники это не имело бы большого преимущества, поскольку каждая операция умножения столь же дорога с точки зрения времени и энергии, будь то умножение на случайное число или на значение, тщательно выбранное в ходе обучения.
«Это означает, что в оптической области мы можем захотеть спроектировать архитектуру наших нейронных сетей по-другому, чтобы воспользоваться уникальными особенностями оптики — некоторые вещи легче сделать в оптике, а некоторые — сложнее. Поэтому просто портируем одно и то же. Архитектура нейронной сети, оптимизированная для реализации цифровой электроники, возможно, не является идеальным решением в оптической области», — сказал Реддинг.
Более тонкая особенность оптоволоконной платформы NRL — выполнение сверток, аналогичных сверточной нейронной сети (CNN), что является редкостью для оптической вычислительной платформы. Свертки очень эффективны для таких задач, как обработка изображений, что привело к широкому использованию CNN в приложениях обработки изображений Министерства обороны .
«Выгода ВМС заключается в более быстром внедрении алгоритмов машинного обучения, что сокращает задержку, прежде чем мы придем к ответу», — сказал Джозеф Мюррей, доктор философии, физик-исследователь из отдела оптических наук NRL. «Мы также изучаем возможность применения этих алгоритмов непосредственно к аналоговым данным без необходимости промежуточной оцифровки и хранения, что может иметь существенное преимущество при обработке данных с высокой пропускной способностью, которые трудно записывать и анализировать в режиме реального времени, таких как данные изображений с высоким разрешением или Радиочастотные данные для приложений радиоэлектронной борьбы».
Исследования, как теоретические, так и экспериментальные, направлены на обнаружение и понимание основных физических принципов и механизмов, используемых в оптических устройствах и материалах.
«Настоящая статья является доказательством того, что мы можем выполнять полезные вычисления с помощью этих фиксированных, случайных оптических проекций, что было проверено на эталонных задачах, таких как распознавание изображений рукописных цифр», — сказал Джозеф Харт, доктор философии, физик-исследователь. из отдела оптических наук НРЛ. «Мы также протестировали это на наборе данных SONAR, чтобы показать, как эта платформа может различать сигнатуры SONAR от камней и подводных мин в качестве приложения, более специфичного для военно-морского флота».
Отдел оптических наук проводит различные исследования, разработки и прикладную деятельность в области генерации, распространения, обнаружения и использования излучения в диапазоне длин волн между ближним ультрафиолетом и дальним инфракрасным диапазоном. Отделение обслуживает Лабораторию и ВМФ в качестве консультативного органа экспертов в области оптических наук.
