先進的光學處理器使AI能夠以光速進行計算。

轉向光以加快處理速度

研究人員現在正在尋找光作為解決方案。光學計算——使用光而不是電來處理複雜的計算——提供了一種顯著提高速度和效率的方法。一種有前途的方法涉及光學衍射算子。它們是薄片狀結構，當光線穿過它們時，它們會執行數學運算。這些系統可以以低功耗同時處理多個信號，然而，事實證明，以 10 GHz 以上的速度保持此類計算所需的穩定和相干光非常困難。

為了克服這一挑戰，中國清華大學陳宏偉教授領導的團隊開發了一種名為光學特徵提取引擎（OFE）的尖端設備。²– 他們的作品發表於 Nexus 先進光子學展示了一種提取適合許多實際應用的高速光學特性的新方法。

如何？² 準備和處理數據

OFE 的重大進展² 它是一個創新的數據準備模塊。在不影響相位穩定性的情況下向主要光學元件提供快速並行光信號是該領域最困難的問題之一。基於光纖的系統在分裂和延遲光時通常會導致不必要的相位波動。清華大學團隊通過設計具有可調功率分配器和精確延遲線的完全集成片上系統解決了這個問題。該設置將串行數據轉換為多個同步光通道。此外，集成相控陣還支持 OFE。² 輕鬆地重新配置各種計算任務。

準備好後，光信號通過衍射算子來提取特徵。這個過程類似於矩陣向量乘法。光波相互作用產生一個聚焦在特定輸出點的“亮點”。通過微調輸入功率的相位，可以將這些點定向到所選的輸出端口。這允許使用 OFE。² 記錄輸入數據隨時間的微小變化。

破紀錄的視覺表現

工作頻率為 12.5 GHz，OFE 令人印象深刻。² 矩陣向量乘法只需 250.5 皮秒即可完成，這是此類光學計算中最快的結果。 “我們堅信，這項工作將成為在實際應用中推進超過 10 GHz 集成衍射處理的重要基準，”Chen 說。

研究團隊進行了OFE測試。² 圖像處理中跨多個領域系統可以成功地從圖像數據中提取邊緣特徵。通過創建地圖，將“浮雕和雕刻”配對在一起，從而改進圖像分類。並提高 CT 掃描中器官識別等任務的準確性。基於 OFE 的系統² 它比標准人工智能模型需要更少的電子參數，證明光學預處理可以使混合人工智能網絡更快、更高效。

該團隊還申請了OFE。² 到數字交易，處理真實的市場數據以創造有利可圖的買賣 在接受優化策略的培訓後，OFE² 將傳入的價格信號轉換為直接交易決策。獲得一致的回報這是因為這些計算以光速發生。因此，交易者幾乎可以毫不拖延地抓住機會採取行動。

照亮人工智能的未來之路

這些成就共同標誌著計算領域的重大轉變。通過將人工智能處理中最苛刻的部分從耗電的電子芯片轉移到快如閃電的光子系統，OFE 等技術² 它可以開創低功耗、實時人工智能的新時代。 “我們研究中提出的進步將混合衍射算子推向了更高的速率。它支持專注於各個領域處理的服務，例如圖像識別、輔助醫療保健和數字金融。我們期待與有數據密集型計算需求的合作夥伴合作。”陳總結道。