Инженеры Калифорнийского университета в Лос-Анджелесе представили светоскоростную оптическую нейронную сеть для интеллектуальных камер

Инженерная школа Самуэли Калифорнийского университета в Лос-Анджелесе, Калифорния

Инженеры Калифорнийского университета в Лос-Анджелесе внесли значительные улучшения в конструкцию оптической нейронной сети — устройства, вдохновленного тем, как работает человеческий мозг, — которое может идентифицировать объекты или обрабатывать информацию со скоростью света. Разработка может привести к созданию интеллектуальных систем камер, которые будут определять, что они видят, просто по узорам света, проходящего через трехмерную структуру материала. Новый дизайн использует преимущества распараллеливания и масштабируемости оптических вычислительных систем.

Например, такие системы могут быть встроены в беспилотные автомобили или роботов, что поможет им принимать практически мгновенные решения быстрее и потреблять меньше энергии, чем компьютерные системы, которым требуется дополнительное время для идентификации объекта после того, как он был замечен.

Технология была впервые представлена группой Калифорнийского университета в Лос-Анджелесе в 2018 году. В системе используется серия напечатанных на 3D-принтере пластин или слоев с неровными поверхностями, которые пропускают или отражают падающий свет — по внешнему виду и эффекту похожие на матовое стекло. Слои содержат десятки тысяч пиксельных точек, по сути, искусственных нейронов, образующих искусственный объем материала, вычисляемый полностью оптически. Каждый объект будет иметь уникальный путь света через 3D-слои. За слоями находится несколько детекторов света, каждый из которых предварительно назначен в компьютере для определения того, что представляет собой входной объект, по тому, где попадает наибольшее количество света после прохождения через слои. Например, если он обучен распознавать рукописные цифры, то детектор, запрограммированный на определение цифры «5», увидит большую часть света, попадающего на этот детектор после того, как изображение цифры «5» пройдет через слои.

Исследователи из Калифорнийского университета в Лос-Анджелесе значительно повысили точность системы, добавив в систему второй набор детекторов, поэтому каждый тип объектов теперь представлен двумя детекторами, а не одним. Исследователи стремились увеличить разницу сигналов между парой детекторов, присвоенных определенному типу объекта. Интуитивно это похоже на взвешивание двух камней одновременно левой и правой руками, чтобы определить, имеют ли они одинаковый или разный вес.

Такая система выполняет задачи машинного обучения с взаимодействием света с веществом и оптической дифракцией внутри изготовленной трехмерной материальной структуры со скоростью света и без необходимости использования большой мощности, за исключением света освещения и простой схемы детектора. По мнению исследователей, это достижение может позволить интеллектуальным камерам выполнять конкретные задачи, которые выполняют вычисления на сцене, используя только фотоны и взаимодействие света и материи, что делает их чрезвычайно быстрыми и энергоэффективными.

Исследователи проверили точность своей системы, используя наборы данных изображений рукописных цифр, предметов одежды и более широкий набор различных транспортных средств и животных, известный как набор данных изображений CIFAR-10. Они обнаружили, что точность распознавания изображений составляет 98,6%, 91,1% и 51,4% соответственно.

Эти результаты очень выгодно отличаются от предыдущих поколений полностью электронных глубоких нейронных сетей. Хотя более современные электронные системы имеют более высокую производительность, исследователи предполагают, что полностью оптические системы имеют преимущества в скорости вывода, малом энергопотреблении и возможности масштабирования для параллельного размещения и идентификации большего количества объектов.

Для получения дополнительной информации свяжитесь с Эми Акмал по адресу:Этот адрес электронной почты защищен от спам-ботов. Для просмотра у вас должен быть включен JavaScript.