1000 倍高速な処理: 大規模向けの革新的な検出器

By Optica2023 年 8 月 26 日

研究者らは SNPD を利用して光ニューラル ネットワークの速度と効率を向上させ、従来のカメラ センサーと比較して処理速度が 1000 倍向上する可能性があることを示しました。 この進歩は、AI 主導のビジョン システムの新時代の到来を告げるものです。

より高速でエネルギー効率の高い回折 ONN は、画像やビデオの処理に使用できます。

研究者らは初めて、表面法線非線形光検出器 (SNPD) の能力を利用して、回折光学ニューラル ネットワーク (ONN) の速度とエネルギー効率を向上させました。 この革新的なデバイスは、極めてエネルギー効率の高い方法で光速の高速処理を実行できる大規模 ONN の開発への道を開きます。

Nokia Bell LabsのFarshid Ashtiani氏は、2023年10月9日から12日までワシントン州タコマ（グレーターシアトル地域）のグレータータコマコンベンションセンターで開催されるFrontiers in Optics + Laser Science（FiO LS）でこの研究を発表します。

「人工知能（AI）は私たちの生活においてますます重要な役割を果たしています。 大規模な言語モデルから自動運転車に至るまで、AI によって大幅な改善が可能になっていることがわかります」とアシュティアーニ氏は説明します。 「人間の脳がさまざまなタスクを学習して実行する方法にヒントを得たニューラル ネットワークは、AI の進歩の中心です。 ニューラル ネットワークの広く普及している用途の 1 つは、パターンとオブジェクトの認識であり、これにより機械に視覚が与えられます。 たとえば、すべての自動運転車、さらには半自動運転車は、物を見ることで周囲の状況を理解する必要があります。」

検出器の配列。 クレジット: Farshid Ashtiani、Nokia Bell Labs

「従来、画像はカメラで撮影され、電気信号に変換され、物体認識のために CPU や GPU などの電子プロセッサを使用して処理されていました」と Nokia Bell Labs の Mohamad Hossein Idjadi 氏は述べています。

「しかし、画像はもともと光学領域（つまり光）にあるため、ONN を使用して光学的に処理する方が高速でエネルギー効率が高くなります。 さまざまなテクノロジーの中でも、空間光変調器に基づく ONN は、高解像度の画像とビデオの光学処理を可能にします。 この処理には非線形モジュールが必要であり、この必要な非線形性を導入するためにカメラ センサーが従来使用されており、これには数ミリ秒かかります。

「私たちの新しい検出器デバイスは、この非線形処理をそのようなカメラよりも 1000 倍高速にし、エネルギー効率を高めます。 私たちは皆、多くのエネルギーを消費せず、さらに高速でインテリジェントなガジェットを必要としているため、これは次世代のマシン ビジョン システムにとって非常に重要です。」

自由空間回折 ONN は空間光変調器を使用しており、画像やビデオの処理に必要なニューロンの大規模ネットワークの作成に特に有望です。 ただし、このタイプの ONN の速度とエネルギー効率は通常、複数層のニューロンを実装してディープ ニューラル ネットワークを作成する非線形活性化関数の実装に使用されるイメージ センサーによって制限されます。

単一の検出器。 クレジット: Farshid Ashtiani、Nokia Bell Labs

研究者らは新しい研究で、高速電気光学変調器として以前に実証したSNPDを高解像度回折ONNで使用することを提案した。 テストの結果、SNPD には 6 マイクロ秒未満に相当する 61 kHz の 3 dB 帯域幅があることが示されました。これは、このような ONN で従来使用されているカメラ センサーの一般的な応答時間よりも約 1000 倍高速です。 また、センサーの消費電力はピクセルあたりわずか約 10 nW であり、これは一般的なカメラよりも 3 桁効率的です。

To gauge the sensor’s efficacy within an ONN, the researchers input images into the convolution layer – the primary building block of the neural network. The convolution layer had 32 parallel 3 × 3 kernels with a stride of one and used the actually measured SNPD response as its activation function instead of the standard rectified linear activation function. With this simulation setup, the network achieved a test classification accuracyHow close the measured value conforms to the correct value." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]"accuracy of about 97%, which is the same performance as using an ideal rectified linear activation function in the same network./p>