UCLA-Ingenieure stellen optisches neuronales Lichtgeschwindigkeitsnetzwerk für intelligente Kameras vor

UCLA Samueli School of Engineering, Los Angeles, Kalifornien

UCLA-Ingenieure haben ihr Design eines optischen neuronalen Netzwerks erheblich verbessert – ein Gerät, das von der Funktionsweise des menschlichen Gehirns inspiriert ist – das Objekte identifizieren oder Informationen mit Lichtgeschwindigkeit verarbeiten kann. Die Entwicklung könnte zu intelligenten Kamerasystemen führen, die einfach anhand der Lichtmuster, die durch eine 3D-technische Materialstruktur laufen, herausfinden, was sie sehen. Das neue Design nutzt die Parallelisierung und Skalierbarkeit optischer Rechensysteme.

Solche Systeme könnten beispielsweise in selbstfahrende Autos oder Roboter integriert werden und ihnen dabei helfen, nahezu augenblickliche Entscheidungen schneller zu treffen und weniger Strom zu verbrauchen als computerbasierte Systeme, die zusätzliche Zeit benötigen, um ein Objekt zu identifizieren, nachdem es gesehen wurde.

Die Technologie wurde erstmals 2018 von der UCLA-Gruppe eingeführt. Das System verwendet eine Reihe von 3D-gedruckten Wafern oder Schichten mit unebenen Oberflächen, die einfallendes Licht durchlassen oder reflektieren – ähnlich in Aussehen und Wirkung wie Milchglas. Die Schichten verfügen über Zehntausende Pixelpunkte, im Wesentlichen künstliche Neuronen, die ein konstruiertes Materialvolumen bilden, das rein optisch berechnet wird. Jedes Objekt verfügt über einen einzigartigen Lichtweg durch die 3D-gefertigten Schichten. Hinter den Schichten befinden sich mehrere Lichtdetektoren, die jeweils zuvor in einem Computer zugewiesen wurden, um daraus abzuleiten, um welches Eingabeobjekt es sich handelt, wo das meiste Licht nach dem Durchgang durch die Schichten landet. Wenn es beispielsweise darauf trainiert ist, handgeschriebene Ziffern zu erkennen, erkennt der für die Erkennung einer „5“ programmierte Detektor den größten Teil des Lichts, das auf diesen Detektor trifft, nachdem das Bild einer „5“ die Schichten durchlaufen hat.

Die UCLA-Forscher haben die Genauigkeit des Systems erheblich erhöht, indem sie dem System einen zweiten Satz Detektoren hinzugefügt haben, sodass jeder Objekttyp nun mit zwei Detektoren statt mit einem dargestellt wird. Ziel der Forscher war es, die Signaldifferenz zwischen einem einem Objekttyp zugeordneten Detektorpaar zu erhöhen. Intuitiv ähnelt dies dem gleichzeitigen Wiegen zweier Steine mit der linken und rechten Hand, um zu unterscheiden, ob sie ein ähnliches oder ein unterschiedliches Gewicht haben.

Ein solches System führt maschinelle Lernaufgaben mit Licht-Materie-Wechselwirkung und optischer Beugung innerhalb einer 3D-hergestellten Materialstruktur mit Lichtgeschwindigkeit und ohne großen Stromverbrauch aus, mit Ausnahme des Beleuchtungslichts und einer einfachen Detektorschaltung. Den Forschern zufolge könnte dieser Fortschritt aufgabenspezifische intelligente Kameras ermöglichen, die Berechnungen an einer Szene nur mithilfe von Photonen und Licht-Materie-Wechselwirkungen durchführen, was sie extrem schnell und energieeffizient macht.

Die Forscher testeten die Genauigkeit ihres Systems anhand von Bilddatensätzen handgeschriebener Ziffern, Kleidungsstücken und einer breiteren Gruppe verschiedener Fahrzeuge und Tiere, die als CIFAR-10-Bilddatensatz bekannt sind. Sie fanden eine Bilderkennungsgenauigkeit von 98,6 %, 91,1 % bzw. 51,4 %.

Diese Ergebnisse sind im Vergleich zu früheren Generationen vollelektronischer tiefer neuronaler Netze sehr positiv. Während neuere elektronische Systeme eine bessere Leistung aufweisen, vermuten die Forscher, dass rein optische Systeme Vorteile hinsichtlich der Inferenzgeschwindigkeit, des geringen Stromverbrauchs und der Fähigkeit zur Skalierung haben, um viel mehr Objekte parallel aufzunehmen und zu identifizieren.

Für weitere Informationen wenden Sie sich bitte an Amy Akmal unter Diese E-Mail-Adresse ist vor Spambots geschützt. Sie müssen JavaScript aktivieren, damit Sie es sehen können.