Una red neuronal profunda fotónica en el chip para la clasificación de imágenes

Área de la Ciencia:

• La fotónica
• Aprendizaje profundo
• Visión por computadora

Sus antecedentes:

• Las redes neuronales profundas (DNN) son cruciales para tareas como el diagnóstico médico, pero están limitadas por la velocidad de reloj y el acceso a la memoria en los procesadores electrónicos.
• La computación fotónica existente enfrenta desafíos en la no linealidad óptica en el chip y la pérdida de dispositivos, lo que dificulta la escalabilidad de las DNN ópticas.

Objetivo del estudio:

• Informar sobre una red neuronal profunda fotónica integrada de extremo a extremo (PDNN) capaz de clasificar imágenes en subnanosegundos.
• Demostrar un nuevo enfoque optoelectrónico para la computación neuronal en sistemas fotónicos.

Principales métodos:

• Desarrolló un PDNN integrado que realiza la clasificación de imágenes mediante el procesamiento directo de ondas ópticas.
• Computación lineal implementada ópticamente y activación no lineal optoelectrónica dentro de cada neurona.
• Utilizó una luz de suministro uniformemente distribuida para una salida óptica escalable por neurona.

Principales resultados:

• Clasificación de imágenes alcanzada en menos de 570 picosegundos, comparable a un ciclo de reloj único de plataformas digitales.
• Alta precisión demostrada para la clasificación de cartas escritas a mano: >93,8% para la clase dos y >89,8% para la clase cuatro.
• Mostró la escalabilidad de los PDNN para aplicaciones a gran escala.

Conclusiones:

• El PDNN desarrollado ofrece una alternativa más rápida y energéticamente eficiente a los sistemas electrónicos de aprendizaje profundo.
• La eliminación de la necesidad de conversión analógica a digital y los grandes módulos de memoria aceleran el procesamiento.
• Este procesamiento óptico de datos sin reloj allana el camino para la próxima generación de sistemas de aprendizaje profundo.