速度更快、能效更高的衍射光神經網絡可用於圖像和視頻處理。研究人員首次利用表面法向非線性光電探測器（SNPD）的力量提高了衍射光神經網絡（ONN）的速度和能效。這種創新裝置為開發大規模ONN 鋪平了道路，這種ONN 能夠以極其節能的方式以光速執行高速處理。

諾基亞貝爾實驗室的Farshid Ashtiani將在2023年10月9日至12日於華盛頓州塔科馬（大西雅圖地區）大塔科馬會議中心舉行的”光學與激光科學前沿”（FiO LS）會議上介紹這項研究。

“人工智能（AI）在我們的生活中扮演著越來越重要的角色。從大型語言模型到自動駕駛汽車，我們看到人工智能帶來的巨大進步，”Ashtiani 解釋說。”神經網絡的靈感來自人腦如何學習和執行各種任務，是人工智能進步的核心。神經網絡的廣泛應用之一是識別模式和物體，為機器提供視覺。例如，每一輛自動駕駛汽車，甚至是半自動駕駛汽車，都必須通過能夠看到事物來了解周圍環境。”

探測器陣列。資料來源：Farshid Ashtiani，諾基亞貝爾實驗室

傳統處理與光學神經網絡

諾基亞貝爾實驗室的Mohamad Hossein Idjadi 說：”傳統上，圖像由相機拍攝，轉換為電信號，然後使用CPU 或GPU 等電子處理器進行處理，以識別物體。然而，由於圖像最初是在光域（即光）中拍攝的，因此使用ONN 進行光學處理可以更快、更節能。在不同的技術中，基於空間光調製器的ONN 能夠對高分辨率圖像和視頻進行光學處理。這種處理需要非線性模塊，相機傳感器通常用於引入所需的非線性，這需要幾毫秒的時間。”

“我們的新型探測器設備使這種非線性處理速度比此類相機快1000 倍，能效更高。這對下一代機器視覺系統至關重要，因為我們都需要速度更快、能耗更低的智能小工具”。

自由空間衍射ONN 的優勢

自由空間衍射ONNs 使用空間光調製器，特別適合創建圖像和視頻處理所需的大規模神經元網絡。然而，這類ONN 的速度和能效通常受到用於實現非線性激活函數的圖像傳感器的限制，而非線性激活函數可實現多層神經元以創建深度神經網絡。

單個探測器。資料來源：Farshid Ashtiani，諾基亞貝爾實驗室

在這項新工作中，研究人員建議在高分辨率衍射ONN 中使用SNPD，他們之前已將SNPD 演示為高速電光調製器。測試表明，SNPD 的3 分貝帶寬為61 千赫，相當於不到6 微秒–比此類ONN 傳統使用的相機傳感器的典型響應時間快1000 倍。此外，該傳感器的功耗僅為10 nW/像素，比普通攝像頭的效率高出三個數量級。

測試和意義

為了衡量傳感器在ONN 中的功效，研究人員將圖像輸入卷積層（神經網絡的主要構件）。卷積層有32 個並行的3 × 3 核，跨距為1，並使用實際測量的SNPD 響應作為激活函數，而不是標準的整流線性激活函數。在這種模擬設置下，網絡的測試分類準確率達到了約97%，與在同一網絡中使用理想的整流線性激活函數的性能相同。

這項研究證明了在自由空間衍射ONN 中使用SNPD 的潛力。事實上，這種檢測器比照相機快三個數量級，效率更高，因此很有希望用於大規模自由空間ONN 設置。

諾基亞貝爾實驗室的Stefano Grillanda 補充說：”我們需要製造大量的探測器設備，可能需要數百萬個，才能建立一個完整的視覺系統，並與傳統相機提供的高分辨率相抗衡。好消息是，這在技術上是可行的。另一個研究方向是進一步減少探測器的佔地面積、能耗和響應時間，使其成為未來人工智能視覺系統更好的解決方案。”