人眼识别图像间隔时间(光速图像识别了解一下)

Alex 发自 凹非寺量子位 | 公众号 QbitAI

比深度神经网络速度还快的是什么?

或许光子DNN可以回答这个问题。

人眼识别图像间隔时间(光速图像识别了解一下)(1)

现在,美国研究者开发的一个光子神经网络 (photonic deep neural network,PDNN),让图像识别仅需1纳秒

1纳秒是什么概念?它等于10-9秒,这与最先进的微芯片单时钟周期(最小的时间单位)相当。

此外,研究者测试发现,PDNN对图像进行2分类和4分类的准确率分别高达93.8%和89.8%。

诚然,如今的大型多层神经网络高效且运算能力很强,但其也受到硬件的限制,往往需要消耗大量的电力资源等。

而宾夕法尼亚大学的工程师们研发的PDNN,能够直接分析图像,不需要时钟、传感器或大型存储模块,以有效降低耗能。

这项研究成果的相关论文在6月1日登上了Nature杂志。

光子DNN比传统DNN更快

和传统DNN相比,光子DNN的原理和性能有何不同?

先来看看传统DNN

图a是传统DNN的结构示意图,包括一个数据排列单元,然后是输入层、几个隐藏层,和一个提供分类输出的输出层。

图b展示了传统N输入神经元的结构:输入的线性加权和,通过一个非线性激活函数,产生神经元的输出。

人眼识别图像间隔时间(光速图像识别了解一下)(2)

图c和图d分别是一个PDNN芯片的神经网络示意图和N输入神经元结构。

首先在一个5×6光栅耦合器上形成输入图像,然后将其排列成4个重叠的子图像,子图像的像素被传送到第一层神经元,形成一个卷积层。

后面的神经元与它们的前一层完全连接,该网络产生2个输出,可最多为4种图像信息分类。

对于这些神经元,其输入的都是光学信号。

人眼识别图像间隔时间(光速图像识别了解一下)(3)

在每个神经元中,线性计算是通过光学方式进行的,而非线性激活函数是通过光电子方式实现的,从而可使分类时间低于570ps(=0.57ns)

论文的通讯作者,电气工程师Firooz Aflatouni对这个PDNN的性能补充描述道:它每秒可以对近18亿张图像进行分类,而传统的视频帧率是每秒24至120帧。

这里的PDNN芯片电路被集成在仅9.3 mm2 的面积内,不需要时钟、传感器以及大型存储模块。

一个激光器被耦合到芯片内,为各个神经元提供光源;该芯片包含两个5×6的光栅耦合器,分别作为输入像素阵列和校准阵列。

人眼识别图像间隔时间(光速图像识别了解一下)(4)

不过,均匀分布的供给光每个神经元光提供了相同的输出范围,显然这将允许将其扩展到更大规模的PDNN。

光子DNN芯片的图像分类测试

研究者们让这个PDNN微芯片识别手写字母。

一组实验测试了PDNN芯片的二分类性能:需要对共计216个“p”和“d”字母组成的数据集进行分类。

该芯片准确率高于93.8%。((92.8% 94.9%)/2)

人眼识别图像间隔时间(光速图像识别了解一下)(5)

另一组实验测试了PDNN芯片的四分类性能:需对共计432个“p”、“d”、“a”、“t”字母组成的数据集进行分类。

该芯片分类准确率高于89.8%。

人眼识别图像间隔时间(光速图像识别了解一下)(6)

这些结果表明,即使有更多的类(如分四类情况),且存在打印机引起的变化和噪声,PDNN芯片仍取得了较高的分类精度。

为了比较这个PDNN和传统DNN的图像分类准确性,研究者还测试了在Python中使用Keras库实现的190个神经元组成的DNN,结果显示:它在相同图像上的分类准确率为96%。

作者简介

人眼识别图像间隔时间(光速图像识别了解一下)(7)

论文一作,Farshid Ashtiani现任美国宾夕法尼亚大学电气和系统工程系博士后研究员,主要研究方向是光子-电子联合/混合集成系统。

人眼识别图像间隔时间(光速图像识别了解一下)(8)

论文的其他作者也都来自宾大的电气和系统工程系。

去年,就有一位日本NTT研究所的科学家表示,光子计算可以降低神经网络计算的能耗,拥有巨大潜力,很可能成为深度学习的未来重点发展对象。

该研究的宾大工程师们则表示,PDNN对光学数据的直接、无时钟处理消除了模拟-数字转换和对大型内存模块的要求,使下一代深度学习系统的神经网络更快、更节能。

对于光子深度神经网络的前景和应用,你怎么看?

论文地址:https://www.nature.com/articles/s41586-022-04714-0#article-info参考链接:https://spectrum.ieee.org/photonic-neural-network

— 完 —

量子位 QbitAI · 头条号签约

关注我们,第一时间获知前沿科技动态

,

免责声明:本文仅代表文章作者的个人观点,与本站无关。其原创性、真实性以及文中陈述文字和内容未经本站证实,对本文以及其中全部或者部分内容文字的真实性、完整性和原创性本站不作任何保证或承诺,请读者仅作参考,并自行核实相关内容。文章投诉邮箱:anhduc.ph@yahoo.com

    分享
    投诉
    首页