Инженеры UCLA раскрывают оптическую нейросеть со скоростью света для интеллектуальных камер

UCLA Samueli School of Engineering, Лос-Анджелес, штат Калифорния

Инженеры UCLA сделали значительные улучшения в своем дизайне оптической нейросети — устройства, вдохновленного тем, как работает человеческий мозг — которое может идентифицировать объекты или обрабатывать информацию на скорости света. Разработка может привести к интеллектуальным камерным системам, которые понимают, что они видят, просто по паттернам света, проходящих через 3D инженерную материальную структуру. Новый дизайн использует преимущества параллелизации и масштабируемости оптических вычислительных систем.

Например, такие системы могут быть включены в беспилотные автомобили или роботов, помогая им принимать почти мгновенные решения быстрее и с меньшим потреблением энергии, чем компьютерные системы, которым нужно дополнительное время для идентификации объекта после того, как он был увиден.

Технология была впервые представлена группой UCLA в 2018 году. Система использует серию 3D-печатных вейферов или слоев с неравномерными поверхностями, которые передают или отражают входящий свет — похожие по виду и эффекту на матированное стекло. Слои имеют десятки тысяч пиксельных точек, по сути искусственных нейронов, формирующих инженерный объем материала, который вычисляет все-оптически. Каждый объект будет иметь уникальный световой путь через 3D фабрикованные слои. За слоями находятся несколько детекторов света, каждый предварительно назначенный в компьютере для вывода того, что входной объект есть, по тому, где больше всего света оказывается после прохождения через слои. Например, если оно обучено разбирать рукописные цифры, то детектор, запрограммированный для идентификации «5», увидит большую часть света, падающего на этот детектор после того, как изображение «5» прошло через слои.

Исследователи UCLA значительно увеличили точность системы, добавив второй набор детекторов в систему, так что каждый тип объекта теперь представлен двумя детекторами вместо одного. Исследователи стремились увеличить разницу сигнала между парой детекторов, присвоенной типу объекта. Интуитивно это похоже на взвешивание двух камней одновременно левой и правой руками, чтобы различить, похожи ли они по весу или разные.

Такая система выполняет задачи машинного обучения с взаимодействием света-материи и оптической дифракцией внутри 3D фабрикованной материальной структуры на скорости света и без необходимости обширного питания, кроме света освещения и простой детекторной схемы. Согласно исследователям, этот прогресс может позволить задаче-специфические умные камеры, которые выполняют вычисления на сцене, используя только фотоны и взаимодействие света-материи, делая его невероятно быстрым и энергоэффективным.

Исследователи протестировали точность своей системы, используя наборы данных изображений рукописных цифр, предметов одежды и более широкого набора различных транспортных средств и животных, известного как набор изображений CIFAR-10. Они обнаружили показатели точности распознавания изображений 98,6%, 91,1% и 51,4% соответственно.

Эти результаты сравниваются очень благоприятно с более ранними поколениями полностью электронных глубоких нейросетей. Хотя более поздние электронные системы имеют лучшую производительность, исследователи предполагают, что все-оптические системы имеют преимущества в скорости вывода, низком потреблении энергии и способности масштабироваться для размещения и идентификации гораздо большего количества объектов параллельно.

Для получения дополнительной информации свяжитесь с Эми Акмал по адресу: This email address is being protected from spambots. You need JavaScript enabled to view it..