日本金泽大学理工研究域机械工学系的砂田哲教授与埼玉大学研究生院理工学研究科的内田淳史教授组成的联合研究团队,利用光波动的空间自由度,设计并试制了可在微小区域内高密度大量封装光神经元的光电路,并证明利用这种光电路能以超快的速度和低耗电量实现储备池计算。新开发的光电路可以形成空间连续分布的光神经元“场”,原理上能实现以光波长尺度(数百纳米)的间隔配置(虚拟)光神经元的安装,研究证明,利用这种高密度性有望实现比最先进的光储备池电路芯片快60倍以上的高速性,以及比电子电路高100倍以上的节能性。该成果有助于实现AI处理的超高速化和节能等。相关内容已发布在Optica上。
图1:(a)储备池计算的基本模型(b)此次研究提出的光储备池计算电路的概念图(供图:金泽大学)
AI被应用于各种场合,其应用范围不断扩大,但在目前的计算技术下,AI处理需要消耗大量的计算资源和能源,因此需要开发能耗更低的新型计算。
利用光进行计算是备受期待的新技术之一。因为不同于以电子为信息载体的技术,光不会因为布线电阻和容量等产生能源损耗,因此可以大幅削减耗电量,运算速度也是光速。
此前提出过多种光神经网络电路,但大多都是由一维光布线(单模波导)构成的,因此原理上很难在芯片上构成大规模的神经网络电路。
研究团队利用散斑现象(向砂纸和玻璃等照射激光时出现的闪闪发光的不规则斑点图案),提出了着眼于光的波动性所带来的高空间自由度的新型光神经网络电路。主要专注于在宽且空间广阔的光布线(多模波导)中产生的散斑可以被视为虚拟的、在空间上连续分布且拥有无限自由度的神经网络这一点。通过创建这种光神经元“场”并利用其高表现能力,有望实现神经网络处理。
此次,研究团队制作了在硅芯片上集成生成光神经元场所需元素的新型光电路。制作的光电路可以在微型芯片上高密度地大规模安装与根据螺旋型耦合多模导波结构随机耦合的光神经元相对应的网络,通过将其用作信息储备池,能以高速、低延迟和低耗电量实现储备池计算。
图2:此次研究制作的光储备池计算电路芯片(供图:金泽大学)
储备池计算是已被证明与小脑有相似性的新神经网络。模拟大脑的神经网络虽然可以进行高级处理,但计算可能会耗费较长时间,或者学习本身比较困难,而储备池计算无需大量数据即可学习,具有学习简单的特点。另外,还像循环神经网络那样,擅长处理语音或股价等波动的时间序列数据。
事实上,研究团队以每秒12.5千兆样本的速率对混沌时间序列进行一步预测(相当于光自发执行每秒1peta次以上的乘积累加运算处理)发现,拥有比最先进的光电路高60倍以上的计算处理能力。利用光通信领域采用的光波分复用法还有望进一步提高速度。另外,这种神经网络运算所需的能源仅为入射光功率,具有无需调整光网络,也无需布线的优点等,因此单次乘积累加运算的能耗远远低于现有电路,据估算只需0.15飞焦。
虽然目前尚处于原理验证阶段,但是希望通过进一步改良光电路芯片,将来有望成为可利用在光芯片上集成100万个以上光神经元的光储备池计算,瞬间识别并判断高级任务的实用技术。
原文:《科学新闻》
翻译编辑:JST客观日本编辑部