I dagens digitala tidsålder har beräkningsuppgifter blivit allt mer komplexa. Detta har i sin tur lett till en exponentiell ökning av den ström som förbrukas av digitala datorer. Det är alltså nödvändigt att utveckla hårdvaruresurser som kan utföra storskalig beräkning på ett snabbt och energieffektivt sätt.

I detta avseende, , som använder ljus istället för elektricitet för att utföra beräkningar, är lovande. De kan potentiellt ge lägre latens och minskad strömförbrukning, och dra nytta av parallelliteten som  ha. Som ett resultat har forskare utforskat olika optiska datordesigner.

Till exempel en diffraktiv optik  är designad genom kombinationen av optik och djupinlärning för att optiskt utföra komplexa beräkningsuppgifter som bildklassificering och rekonstruktion. Den består av en stapel av strukturerade diffraktiva lager, som vart och ett har tusentals diffraktiva egenskaper/neuroner. Dessa passiva lager används för att styra ljus-materia-interaktioner för att modulera ingångsljuset och producera den önskade effekten. Forskare tränar det diffraktiva nätverket genom att optimera profilen för dessa lager med hjälp av  verktyg. Efter tillverkningen av den resulterande designen fungerar detta ramverk som en fristående optisk bearbetningsmodul som bara kräver en ingångsbelysningskälla för att drivas.

Hittills har forskare framgångsrikt designat monokromatiska (enkel våglängdsbelysning) diffraktiva nätverk för att implementera en enda linjär  (matrismultiplikation) operation. Men är det möjligt att implementera många fler linjära transformationer samtidigt? Samma UCLA-forskargrupp som först introducerade de diffraktiva optiska nätverken har nyligen tagit upp denna fråga. I en nyligen publicerad studie publicerad i Avancerad fotonik, använde de ett våglängdsmultiplexeringsschema i ett diffraktivt optiskt nätverk och visade möjligheten att använda en bredbandsdiffraktiv  att utföra massivt parallella linjära transformationsoperationer.

UCLA-kanslerns professor Aydogan Ozcan, ledaren för forskargruppen vid Samueli School of Engineering, beskriver kort arkitekturen och principerna för denna optiska processor: "En bredbandsdiffraktiv optisk processor har ingångs- och utgående synfält med Ni Och No pixlar. De är förbundna med på varandra följande strukturerade diffraktiva lager, gjorda av passiva transmissiva material. En förutbestämd grupp av Nw diskreta våglängder kodar in- och utinformationen. Varje våglängd är tillägnad en unik målfunktion eller komplext värderad linjär transformation”, förklarar han.

"Dessa måltransformationer kan tilldelas specifikt för distinkta funktioner som bildklassificering och segmentering, eller de kan dedikeras till att beräkna olika faltningsfilteroperationer eller helt anslutna lager i ett neuralt nätverk. Alla dessa linjära transformationer eller önskade funktioner exekveras samtidigt med ljusets hastighet, där varje önskad funktion tilldelas en unik våglängd. Detta gör att den optiska bredbandsprocessorn kan beräkna med extrem genomströmning och parallellitet."

Forskarna visade att en sådan våglängdsmultiplexerad optisk processordesign kan approximera Nw unika linjära transformationer med ett försumbart fel när dess totala antal diffraktiva egenskaper N är mer än eller lika med 2NwNiNo. Denna slutsats bekräftades för Nw > 180 distinkta transformationer genom  och gäller för material med olika dispersionsegenskaper. Dessutom kan användningen av ett större N (3NwNiNo) ökade Nw vidare till cirka 2000 unika transformationer som alla utförs optiskt parallellt.

Angående utsikterna för denna nya datordesign, säger Ozcan: "Sådana massivt parallella, våglängdsmultiplexade diffraktiva processorer kommer att vara användbara för att designa intelligenta maskinseendesystem med hög genomströmning och hyperspektrala processorer, och kan inspirera till många tillämpningar inom olika områden, inklusive biomedicinsk bildbehandling, fjärranalys, analytisk kemi och materialvetenskap."

källa: Deep learning-designad diffraktiv processor beräknar hundratals transformationer parallellt

Översätt "