11 Acelerador convolucional fotónico TOPS para redes neuronales ópticas

Área de la Ciencia:

• Inteligencia artificial
• Computación óptica
• Aprendizaje automático

Sus antecedentes:

• Las redes neuronales convolucionales (CNN) son poderosas herramientas de IA para la extracción de características, cruciales para tareas como la visión por computadora y el diagnóstico médico.
• Las CNN electrónicas tradicionales se enfrentan a limitaciones en velocidad y consumo de energía.
• Las redes neuronales ópticas ofrecen una vía prometedora para la computación acelerada mediante el aprovechamiento de anchos de banda ópticos.

Objetivo del estudio:

• Para demostrar un acelerador óptico convolucional universal.
• Para lograr el reconocimiento de imágenes de alta velocidad utilizando una red neuronal convolucional óptica.
• Explorar el potencial de los sistemas ópticos integrados para tareas complejas de IA.

Principales métodos:

• Desarrollo de un acelerador convolucional de vectores ópticos que funciona a más de diez tera-ops por segundo.
• Utilizó una fuente de microcomb integrada para intercalar dimensiones temporales, de longitud de onda y espaciales.
• Configurado el hardware para formar una red neuronal convolucional óptica secuencial para tareas de reconocimiento de imágenes.

Principales resultados:

• Demostró un acelerador óptico capaz de procesar imágenes con 250.000 píxeles, adecuado para el reconocimiento facial.
• Logró una precisión del 88% en el reconocimiento de imágenes de dígitos escritos a mano utilizando la red neuronal convolucional óptica.
• El sistema opera a velocidades superiores a diez tera-ops por segundo.

Conclusiones:

• El desarrollado acelerador de red neuronal convolucional óptica ofrece una plataforma escalable y entrenable para la IA de alto rendimiento.
• Esta tecnología tiene un potencial significativo para aplicaciones exigentes como vehículos autónomos y reconocimiento de video en tiempo real.
• El enfoque integrado que utiliza fuentes de microcomb permite un procesamiento eficiente mediante la intercalación de múltiples dimensiones.