Optalysys stellt das weltweit erste laserbetriebene optische neuronale Netzwerk vor

• Optalysys demonstriert seine optische Verarbeitungstechnologie, die KI mit Lichtgeschwindigkeit ausführt.
• Es verwendet energieeffizientes Laserlicht anstelle der Siliziumverarbeitungstechnik.

Das in Großbritannien ansässige Technologieunternehmen mit dem Namen Optalysys hat mithilfe seiner optischen Verarbeitungstechnologie das erste Convolutional Neural Network (CNN) entwickelt. Das optische Rechengerät nutzt räumliche Lichtmodulatoren und Laser, um komplexe numerische Operationen mit sehr hoher Geschwindigkeit und geringerem Stromverbrauch auszuführen.

Der Einsatz von CNNs nimmt rasant zu, insbesondere im Bereich der Bilderkennung und -analyse auf Basis maschineller Lerntechniken. Es wird auch in zentralen Anwendungen wie der medizinischen Bildanalyse, Wettervorhersage und autonomen Fahrzeugen eingesetzt. Alle diese Modelle erfordern enorme Berechnungen und erfordern die Verarbeitung mehrerer Faltungsschichten.

In den letzten Jahren hat CNN mit der Weiterentwicklung der Grafikprozessoren auch einige beeindruckende Fortschritte gemacht. Sie sind jedoch immer noch durch hohe Energiekosten und die Nichteinhaltung des Mooreschen Gesetzes eingeschränkt.

Die von Optalysys entwickelte optische Verarbeitungstechnologie verwendet energieeffizientes Laserlicht anstelle der Siliziumverarbeitungstechnik. Dies bietet eine Geschwindigkeitssteigerung um mehrere Größenordnungen gegenüber herkömmlichen Computern und verbraucht weitaus weniger Energie.

Laut dem CEO und Gründer des Unternehmens, Dr. Nick New, haben sie die optische Verarbeitung auf den äußerst komplexen und ressourcenintensiven Bereich der Faltungs-Neuronalen Netzwerke mit 70 Prozent der anfänglichen Genauigkeitsraten angewendet.

Sie haben diese Technologie bei der Verarbeitung eines Faltungs-Neuronalen Netzwerks unter Verwendung bekannter MNIST-Daten demonstriert, die 10.000 Testzeichen und 60.000 Trainingszeichen enthalten.

Großprojekte basierend auf dieser Technologie

Dieser hocheffiziente und skalierbare Ansatz (der sich noch in der Entwicklungsphase befindet) wird nicht nur neue Ebenen cloudbasierter Fähigkeiten bieten, sondern auch das Potenzial von Faltungs-Neuronalen Netzen für mobile Systeme erweitern. Diese Arbeit führte zu einigen Proof-of-Concept-Projekten.

Projekt Genesys: Ein Prototyp eines genetischen Suchsystems zur Durchführung von Sequenzsuchen nach metagenomischen Lesevorgängen in einer großen Datenbank mit mehr als 64 Millionen Basenpaaren von 20 Bakteriengenomen.

Projektflucht:  Ein Teil eines großen Kooperationsprojekts zum Aufbau hochskaliger Rechenkapazitäten und Algorithmen der nächsten Generation für das Europäische Zentrum für mittelfristige Wettervorhersagen.

Projekt Equate:  Ein Seeding-Projekt mit DARPA zur Erforschung der mathematischen Lichtgeschwindigkeitsverarbeitung, die die Grundlage für Simulationen im extremen Maßstab bildet, wie sie in der Fluiddynamik und Plasmamodellierung verwendet werden.

Über Optalysys

Optalysys ist eines der schnell wachsenden Startups, das an der Implementierung von optischem Computing in künstliche Intelligenz arbeitet. Sie bauten ihren ersten Coprozessor unter Verwendung bewährter diffraktiver optischer Techniken, die auf einem Laser mit geringer Leistung anstelle von elektrischem Strom basieren.

Nach Angaben des Unternehmens ist ihre Technologie weitgehend skalierbar. In Zukunft können diese Systeme Fähigkeiten erreichen, die über die Grenzen dessen hinausgehen, was mit herkömmlichen Computermaschinen realisierbar ist, indem sie die natürlichste Form der Parallelverarbeitung nutzen – Licht.

Diese Systeme werden in Hochleistungsrechnern, Desktop-Computern und in der Cloud verfügbar sein. Darüber hinaus werden miniaturisierte Systeme mit Hilfe der heutigen Komponententechnologie in Handgeräte integriert.

Lesen Sie:Eine neue Form von Licht, die Quantencomputing mit Photonen ermöglichen könnte

Andere Unternehmen wie Lightmatter, Light Intelligence, Lighton und Fathom Computing arbeiten auf demselben Gebiet. Sie alle verwenden unterschiedliche Arten optischer Techniken zur Kodierung neuronaler Netze, um ein weitaus energieeffizienteres System als herkömmliches GPU-basiertes Lernen bereitzustellen.