研究部分:6月14日

光子深层神经网络芯片

来自宾夕法尼亚大学的工程师们建造了一个光子深层神经网络9.3平方毫米的芯片上他们说的是更快和更有效地分类图片,有能力处理近二十亿个图像。

芯片使用一系列波导形成的中子层模仿大脑。“我们的芯片处理信息通过我们称之为“computation-by-propagation,”这意味着与clock-based系统不同,通过芯片计算发生在光传播,“说Firooz Aflatouni,副教授在宾夕法尼亚大学电气和系统工程。“我们也跳过将光信号转换为电信号的一步,因为我们的芯片可以直接读取和处理光信号,这些变化让我们的芯片更快的技术。”

“当当前计算机芯片过程电信号往往通过图形处理单元运行它们,或GPU,占用空间和能量,“Farshid阿什蒂亚尼表示,宾夕法尼亚大学的博士后研究员。“我们的芯片不需要存储的信息,消除需要大内存单元。”

Aflatouni补充说,“通过消除内存单元,存储图像,我们也增加数据隐私。直接读取图像数据的芯片,不需要照片存储,因此,数据泄漏不会发生。”

作为一个概念证明,研究者的芯片测试数据集包含两个或四个类型的手写字符,实现分类精度高于93.8%和89.8%,分别。

“有趣的技术不仅仅是它可以分类图片,“Aflatouni说。“我们已经知道如何将许多数据类型转换成电域,图像,音频,演讲,和许多其他数据类型。现在,我们可以将不同的数据类型转换成光学领域,让他们处理几乎瞬间使用这项技术。”

“我们在这项研究的下一步将研究芯片的可伸缩性以及三维对象分类,“Aflatouni继续说。“那么我们将涉足的领域分类为了数据。虽然图像分类是第一个为这个芯片的研究领域,我很兴奋地看到它将如何被使用,也许加上数字平台,加速不同类型的计算。”

在光学AI使用噪音

华盛顿大学的研究人员,杜克大学,马里兰大学的发展光学计算机硬件对人工智能,可以减轻噪音的问题在光学系统和使用一些作为输入来帮助提高系统中人工神经网络的输出。

“我们已经建立了一个光学计算机速度比传统的数字计算机,“Changming Wu说,电气和计算机工程的威斯康辛大学博士生。“而且,这种光学计算机可以创造新事物基于光学噪声产生的随机输入,大多数研究人员试图逃避。”

团队测试一些隔音技术,包括使用的一些噪声产生的光学计算核心作为生成敌对的随机输入网络,或氮化镓。

甘研究人员分配的任务之一是如何手写数字“7”就像一个人。光学计算机不能简单地打印数量根据规定字体但生成数字图像,风格类似的样本研究,但并不相同。它最终能够写数字1到10的一个独特的风格。

”而不是训练网络读手写的数字,我们训练网络学会写数字,模拟视觉的笔迹样本,训练,”李莫说,威斯康辛大学电气和计算机工程教授。“我们,帮助我们的杜克大学计算机科学合作者,也显示,氮化镓可以减轻负面影响光学计算硬件的声音通过使用一个训练算法健壮的错误和噪音。更重要的是,网络实际使用噪音为随机输入,需要生成输出实例。”

接下来,研究人员计划建立设备使用当前半导体制造技术在更大的范围内。

“这光学系统代表了一个计算机硬件体系结构,可以提高人工神经网络的创造力用于人工智能和机器学习,但更重要的是,它展示了这个系统的可行性在大规模噪声和错误可以减轻甚至利用,”李说。“人工智能应用程序增长速度极快,在未来,他们的能源消耗将是不可持续的。这一技术有可能有助于减少能源消耗,使人工智能和机器学习环境可持续,非常快,总体上实现更高的性能。”

机器学习在物理系统

康奈尔大学的研究人员正在培训物理系统如计算机扬声器和激光进行机器学习任务,如识别手写数字。

“许多不同的物理系统有足够的复杂性在他们可以执行大范围的计算,”彼得·麦克马洪说应用和工程物理系助理教授在康奈尔大学的工程学院。“系统我们进行示威看起来不像对方,他们似乎与手写数字识别或元音分类,然而你可以训练他们去做。”

团队旨在找到一个通用的方法来训练不同类型的物理系统执行机器学习使用一种混合的反向传播方法。然后演示了在机械、光学、电气物理系统。

机械系统,研究人员把一个钛板在一个商业化的演讲者,创建一个多模机械驱动的振荡器。光学系统由激光光束通过一个非线性晶体的入射光线的颜色转换成新的色彩结合双光子。第三个实验用小型电子电路与四个组件,电阻,电容,一个电感,和一个晶体管。

“人工神经网络运用一系列的参数化数学函数来输入数据。一个物理系统的动态也可以看作是将一个函数应用于物理系统的数据输入,”麦克马洪说。“这数学神经网络和物理之间的连接,在某种意义上,是什么让我们的方法成为可能,即使让神经网络的概念不同寻常的物理系统可能起初听起来很荒唐。”

在实验中,图像像素的手写数字编码的脉冲光或电的电压。系统处理的信息,给类似的光脉冲的输出或电压。

研究人员说他们能够培养光学系统分类手写数字的准确性达97%。传统神经网络的精度低于最先进的标准电子处理器上运行,但他们说,这表明,即使是一个非常简单的物理系统可以学会执行机器学习。光学系统也成功地训练认识到口语元音。

“原来你可以把几乎任何类型的物理系统变成一个神经网络,”麦克马洪说。“然而,并不是每一个物理系统将是一个不错的神经网络对每一个任务,所以这是一个重要的问题什么物理系统最适合重要的机器学习任务。但现在有一个方法可以试着找到的——这是我的实验室目前正在追求什么。”