A mai digitális korban a számítási feladatok egyre összetettebbé váltak. Ez viszont a digitális számítógépek energiafogyasztásának exponenciális növekedéséhez vezetett. Így olyan hardver erőforrások fejlesztésére van szükség, amelyek nagy léptékű számítástechnikai feladatokat tudnak gyorsan és energiatakarékosan végrehajtani.
Ebben a tekintetben, optikai számítógépekÍgéretesek, amelyek elektromosság helyett fényt használnak a számításokhoz. Potenciálisan alacsonyabb késleltetést és csökkentett energiafogyasztást biztosítanak, kihasználva a párhuzamosságot optikai rendszerek van. Ennek eredményeként a kutatók különféle optikai számítástechnikai terveket tártak fel.
Például egy diffrakciós optikai hálózat az optika és a mély tanulás kombinációjával készült, hogy optikailag olyan összetett számítási feladatokat hajtson végre, mint a képosztályozás és a rekonstrukció. Strukturált diffrakciós rétegekből áll, amelyek mindegyike több ezer diffrakciós jellemzővel/neuronnal rendelkezik. Ezeket a passzív rétegeket a fény-anyag kölcsönhatások szabályozására használják a bemeneti fény modulálására és a kívánt kimenet előállítására. A kutatók ezen rétegek profiljának optimalizálásával képezik a diffrakciós hálózatot mély tanulás eszközöket. A kapott terv elkészítése után ez a keret önálló optikai feldolgozó modulként működik, amely csak egy bemeneti megvilágítást igényel.
Eddig a kutatók sikeresen terveztek monokromatikus (egy hullámhosszú megvilágítású) diffrakciós hálózatokat egyetlen lineáris megvalósítására. transzformáció (mátrixszorzás) művelet. De lehetséges-e több lineáris transzformáció egyidejű végrehajtása? Ugyanaz az UCLA kutatócsoport, amely először vezette be a diffrakciós optikai hálózatokat, nemrég foglalkozott ezzel a kérdéssel. Egy nemrégiben megjelent tanulmányban Haladó fotonikahullámhossz multiplexelési sémát alkalmaztak egy diffraktív optikai hálózatban, és megmutatták a szélessávú diffrakciós módszer alkalmazásának megvalósíthatóságát. processzor masszívan párhuzamos lineáris transzformációs műveletek végrehajtására.
A UCLA kancellári professzora, Aydogan Ozcan, a Samueli School of Engineering kutatócsoportjának vezetője röviden leírja ennek az optikai processzornak az architektúráját és alapelveit: „A szélessávú diffraktív optikai processzor bemeneti és kimeneti látómezővel rendelkezik N-val.i és No pixel, ill. Ezeket egymást követő strukturált diffrakciós rétegek kötik össze, amelyek passzív transzmissziós anyagokból készülnek. Az N előre meghatározott csoportjaw diszkrét hullámhossz kódolja a bemeneti és kimeneti információkat. Minden hullámhossz egy egyedi célfüggvényhez vagy komplex értékű lineáris transzformációhoz van kötve” – magyarázza.
„Ezek a céltranszformációk külön funkciókhoz rendelhetők hozzá, például képosztályozáshoz és szegmentáláshoz, vagy dedikálhatók különböző konvolúciós szűrőműveletek vagy teljesen összekapcsolt rétegek kiszámítására egy neurális hálózatban. Mindezek a lineáris transzformációk vagy kívánt függvények egyidejűleg, fénysebességgel hajtódnak végre, ahol minden kívánt funkció egyedi hullámhosszhoz van hozzárendelve. Ez lehetővé teszi a szélessávú optikai processzor számára, hogy rendkívüli áteresztőképességgel és párhuzamossággal számoljon.”
A kutatók kimutatták, hogy egy ilyen hullámhossz-multiplexelt optikai processzor-konstrukció megközelíti az N-tw egyedi lineáris transzformációk elhanyagolható hibával, ha az N diffrakciós jellemzők teljes száma nagyobb vagy egyenlő, mint 2NwNiNo. Ezt a következtetést megerősítették Nw > 180 különböző átalakításon keresztül numerikus szimulációk és eltérő diszperziós tulajdonságú anyagokra érvényes. Ezenkívül a nagyobb N (3NwNiNo) növelte az Nw további mintegy 2000 egyedi transzformáció, amelyek mind párhuzamosan, optikailag hajtódnak végre.
Az új számítástechnikai tervezés kilátásaival kapcsolatban Ozcan azt mondja: „Az ilyen masszívan párhuzamos, hullámhosszon multiplexelt diffrakciós processzorok hasznosak lesznek nagy áteresztőképességű intelligens gépi látórendszerek és hiperspektrális processzorok tervezésében, és számos alkalmazást inspirálhatnak különböző területeken, beleértve az orvosbiológiai képalkotást is, távérzékelés, analitikus kémia és anyagtudomány."
Forrás: A mély tanulásra tervezett diffraktív processzor több száz transzformációt számol párhuzamosan
