Aprendizaje profundo fotónico deslocalizado en el borde de Internet

Área de la Ciencia:

• La fotónica
• Aprendizaje automático
• Computación de borde

Sus antecedentes:

• Los modelos avanzados de aprendizaje automático requieren una potencia, procesamiento y memoria significativos, lo que limita su despliegue en dispositivos de borde con recursos limitados.
• Los dispositivos de borde actuales no pueden ejecutar modelos complejos de IA debido a limitaciones de hardware.

Objetivo del estudio:

• Introducir Netcast, un nuevo enfoque para la inferencia de aprendizaje automático utilizando el procesamiento analógico deslocalizado a través de redes.
• Permitir una inferencia fotónica ultraeficiente en dispositivos de borde mediante la transmisión de datos de peso desde transceptores inteligentes basados en la nube.

Principales métodos:

• Desarrolló Netcast, un sistema que utiliza transceptores inteligentes basados en la nube para transmitir datos de peso a dispositivos de borde.
• Implementación del procesamiento analógico deslocalizado para la inferencia de aprendizaje automático.
• Realizó experimentos de reconocimiento de imágenes utilizando inferencia fotónica.

Principales resultados:

• Reconocimiento de imágenes alcanzado con energía óptica ultrabaja (40 attojoules por multiplicador, <1 fotón por multiplicador).
• Se ha demostrado una alta precisión de clasificación: 98,8% (93%) en ensayos de laboratorio y de campo.
• El rendimiento probado de manera reproducible sobre 86 km de fibra óptica con un ancho de banda de 3 THz.

Conclusiones:

• Netcast permite que los dispositivos de borde de clase miliwatt alcancen tasas de computación teraFLOPS, que anteriormente eran exclusivas de los sistemas en la nube de alta potencia.
• Este enfoque supera las limitaciones de potencia, procesamiento y memoria para la IA de borde.
• Netcast allana el camino para poderosas aplicaciones de IA en dispositivos pequeños y eficientes energéticamente.