Silizium-Chip implementiert lichtbasiertes Neural Network für schnellere, energieeffiziente Signalverarbeitung

• Forscher kreieren Silizium-Chip, der Lichtsignale präzise streut – demonstriert neues Neural Network Design.
• Licht eliminiert Interferenzen durch elektrische Ladung, ermöglicht schneller & weiter reichende Kommunikation.

Entwicklung energieeffizienter, hochkompakter Interconnects: Schlüssel-Forschungsziel für Integrated Photonics. Anwendungen: effiziente Telekommunikation, High-Bandwidth Cross-Chip Communications in CMOS Devices.

Weltweit Arbeit an künstlichen Neural Network Circuits zur Emulation des menschlichen Gehirns. Traditionelle elektrische Verdrahtung von Halbleiter-Schaltungen: nicht fähig, intensiv komplexes Routing für advanced Neural Networks zu handhaben.

Wissenschaftler am National Institute of Standards and Technology (NIST): Silizium-Chip, der optische Signale präzise über winziges gehirnähnliches Grid diffundiert – demonstriert neues Neural Network Design.

Künstliche Neural Networks: außergewöhnliche Fähigkeiten in Learning & Modeling non-linearer komplexer Probleme – Image Processing, Character Recognition, Data Forecasting. Jetzt: Lichtsignale (statt elektrischer) für Implementation.

Vorteile von Licht gegenüber elektrischen Signalen

Hauptgrund: Licht eliminiert Interferenzen durch elektrische Ladung → längere Kommunikation bei höherer Geschwindigkeit & niedrigerem Power.

Performance-Steigerung für wissenschaftliche Datenanalyse: Quantum Data Science, Exoplaneten-Suche, Autonomous Vehicle Control Systems.

Traditioneller Computer: Datenverarbeitung via kodierte Rules/Algorithmen. Neural Network: multiple Connections zwischen Processing Units (Neuronen). Multiple Neuron-Layers trainierbar für spezifische Tasks. Typische neuromorphe Maschine: große, komplexe Neural Network Struktur.

Aufbau des optischen Chips

Neuer Silizium-Chip nutzt Lichtsignale durch Stacking (vertikal) von 2 Photonic Waveguide Layers. Licht in schmalere Lines confiniert für Routing. Stacking ermöglicht Dense Integration mit Low-Cross-Talk & Low-Loss Waveguide Crossings.

Referenz: APL Photonics | doi:10.1063/1.5039641 | NIST

3D-Design ermöglicht komplexe Routing-Schemata, integrierbar mit zusätzlichen Layern für kompliziertere Tasks.

Diese Arbeit: Stacked Waveguides erstellen 3D-Grid mit 10 Inputs jeweils verbunden zu 10 Outputs. Routing zwischen 2 Layern eines Feed-Forward Neural Networks – total 100 Receivers.

Photonic Routing Manifold | Credit: Chiles / NIST

Waveguides aus Silicon Nitride (je 400 nm dick, 800 nm breit), fabricated auf Silicon Wafer. Dedicated Program für automatische Signal-Routing-Erstellung mit appropriate (konfigurierbarem) Connectivity Level zwischen Neuronen.

Optical Fiber leitet Laserlicht in Silizium-Chip. Ziel: Routing jedes Inputs zu allen Outputs, folgend Distribution Pattern für Lichtleistung/Intensität. Unterschiedliche Power-Level → unterschiedliche Connectivity-Grade & Patterns im Circuit.

Zwei Schemata zur Output-Intensity-Kontrolle:

1. Uniform: alle Outputs erhalten gleiche Power.
2. Bell Curve Distribution: meiste Power zu mittleren Neuronen.

Lesen Sie auch: Neue Lichtform könnte Quantencomputing mit Photonen ermöglichen

Zur präzisen Analyse: Bilder der Signale aus letztem Layer erstellt. Output: Low Error Rates, präzise Power Distribution. Bei 1.320 nm Wellenlänge: Uniform & Bell Curve Distribution – mittlere Output Power Errors 0,7 & 0,9 dB.