UCLA-Ingenieure enthüllen Lichtgeschwindigkeits-Optisches Neuronales Netz für intelligente Kameras

UCLA Samueli School of Engineering, Los Angeles, CA

UCLA-Ingenieure haben signifikante Verbesserungen an ihrem Design eines optischen neuronalen Netzes gemacht – einem Gerät, inspiriert von der Funktionsweise des menschlichen Gehirns –, das Objekte identifizieren oder Informationen mit Lichtgeschwindigkeit verarbeiten kann. Die Entwicklung könnte zu intelligenten Kamerasystemen führen, die herausfinden, was sie sehen, allein durch die Lichtmuster, die durch eine 3D-ingenieurierte Materialstruktur laufen. Das neue Design nutzt die Parallelisierung und Skalierbarkeit optisch-basierter Computersysteme.

Zum Beispiel könnten solche Systeme in selbstfahrende Autos oder Roboter integriert werden, um ihnen nahezu instantane Entscheidungen zu ermöglichen, schneller und mit weniger Energie als computergestützte Systeme, die zusätzliche Zeit benötigen, um ein Objekt nach dem Sehen zu identifizieren.

Die Technologie wurde erstmals 2018 von der UCLA-Gruppe eingeführt. Das System nutzt eine Reihe 3D-gedruckter Wafer oder Schichten mit unebenen Oberflächen, die einfallendes Licht transmittieren oder reflektieren – ähnlich im Aussehen und Effekt wie mattiertes Glas. Die Schichten haben Zehntausende Pixelpunkte, im Wesentlichen künstliche Neuronen, die ein ingenieurtes Volumen aus Material bilden, das all-optisch berechnet. Jedes Objekt hat einen einzigartigen Lichtpfad durch die 3D-fabrizierten Schichten. Hinter den Schichten befinden sich mehrere Lichtdetektoren, jeder zuvor in einem Computer zugewiesen, um das Eingabeobjekt abzuleiten, indem er misst, wo das meiste Licht nach Durchlaufen der Schichten ankommt. Zum Beispiel, wenn es trainiert ist, handgeschriebene Ziffern zu erkennen, dann wird der Detektor, der für „5“ programmiert ist, das meiste Licht sehen, nachdem das Bild einer „5“ durch die Schichten gelaufen ist.

Die UCLA-Forscher haben die Systemgenauigkeit signifikant erhöht, indem sie einen zweiten Satz Detektoren hinzufügten, sodass jeder Objekttyp nun mit zwei Detektoren statt einem repräsentiert ist. Die Forscher zielten darauf ab, den Signaldifferenz zwischen einem Detektorenpaar, das einem Objekttyp zugewiesen ist, zu erhöhen. Intuitiv ist dies ähnlich wie das gleichzeitige Wiegen zweier Steine mit linker und rechter Hand, um zu unterscheiden, ob sie ähnliches oder unterschiedliches Gewicht haben.

Ein solches System führt Machine-Learning-Aufgaben mit Licht-Materie-Wechselwirkung und optischer Beugung innerhalb einer 3D-fabrizierten Materialstruktur mit Lichtgeschwindigkeit und ohne Bedarf an umfangreicher Energie durch, außer für das Beleuchtungslicht und einfache Detektorschaltungen. Laut den Forschern könnte dieser Fortschritt aufgabenspezifische Smart Cameras ermöglichen, die Berechnung an einer Szene nur mit Photonen und Licht-Materie-Wechselwirkung durchführen, was es extrem schnell und energieeffizient macht.

Die Forscher testeten ihre Systemgenauigkeit mit Bilddatensätzen handgeschriebener Ziffern, Kleidungsstücken und einem breiteren Set verschiedener Fahrzeuge und Tiere, bekannt als CIFAR-10 Bilddatensatz. Sie fanden Bilderkennungsgenauigkeitsraten von 98,6%, 91,1% und 51,4% jeweils.

Diese Ergebnisse vergleichen sich sehr günstig mit früheren Generationen rein elektronischer Deep Neural Nets. Während neuere elektronische Systeme bessere Performance haben, schlagen die Forscher vor, dass all-optische Systeme Vorteile in Inferenzgeschwindigkeit, niedrigem Stromverbrauch und der Fähigkeit haben, skaliert zu werden, um viele mehr Objekte parallel zu akkommodieren und zu identifizieren.

Für weitere Informationen kontaktieren Sie Amy Akmal unter: Diese E-Mail-Adresse ist vor Spambots geschützt! Zur Anzeige muss JavaScript eingeschaltet sein.