UCLA-ingenieurs onthullen lichtsnel optisch neuraal netwerk voor intelligente camera's

UCLA Samueli School of Engineering, Los Angeles, CA

UCLA-ingenieurs hebben grote verbeteringen aangebracht in hun ontwerp van een optisch neuraal netwerk – een apparaat geïnspireerd op de manier waarop het menselijk brein werkt – dat objecten kan identificeren of informatie kan verwerken met de snelheid van het licht. De ontwikkeling zou kunnen leiden tot intelligente camerasystemen die erachter komen wat ze zien, simpelweg door de lichtpatronen die door een 3D-technische materiaalstructuur lopen. Het nieuwe ontwerp maakt gebruik van de parallellisatie en schaalbaarheid van op optische computers gebaseerde computersystemen.

Dergelijke systemen kunnen bijvoorbeeld worden ingebouwd in zelfrijdende auto's of robots, waardoor ze vrijwel onmiddellijke beslissingen sneller kunnen nemen en minder stroom verbruiken dan computergebaseerde systemen die extra tijd nodig hebben om een object te identificeren nadat het is gezien.

De technologie werd voor het eerst geïntroduceerd door de UCLA-groep in 2018. Het systeem maakt gebruik van een reeks 3D-geprinte wafers of lagen met oneffen oppervlakken die inkomend licht doorlaten of reflecteren – vergelijkbaar qua uiterlijk en effect met matglas. De lagen hebben tienduizenden pixelpunten, in wezen kunstmatige neuronen die een technisch materiaalvolume vormen dat volledig optisch rekent. Elk object heeft een uniek lichtpad door de 3D-gefabriceerde lagen. Achter de lagen bevinden zich verschillende lichtdetectoren, die elk eerder in een computer zijn toegewezen om af te leiden wat het invoerobject is door waar het meeste licht terechtkomt nadat het door de lagen is gereisd. Als hij bijvoorbeeld is getraind om handgeschreven cijfers te achterhalen, zal de detector die is geprogrammeerd om een “5” te identificeren, zien dat het grootste deel van het licht op die detector valt nadat het beeld van een “5” door de lagen is gereisd.

De UCLA-onderzoekers hebben de nauwkeurigheid van het systeem aanzienlijk vergroot door een tweede set detectoren aan het systeem toe te voegen, zodat elk objecttype nu wordt weergegeven met twee detectoren in plaats van één. De onderzoekers wilden het signaalverschil vergroten tussen een detectorpaar dat aan een objecttype was toegewezen. Intuïtief is dit vergelijkbaar met het gelijktijdig wegen van twee stenen met de linker- en rechterhand om te onderscheiden of ze een vergelijkbaar of verschillend gewicht hebben.

Een dergelijk systeem voert machinale leertaken uit met licht-materie-interactie en optische diffractie binnen een 3D-gefabriceerde materiaalstructuur met de snelheid van het licht en zonder de noodzaak van uitgebreide stroom, behalve het verlichtingslicht en eenvoudige detectorcircuits. Volgens de onderzoekers zou deze vooruitgang taakspecifieke slimme camera's mogelijk kunnen maken die berekeningen uitvoeren op een scène met alleen fotonen en licht-materie-interactie, waardoor deze extreem snel en energiezuinig wordt.

De onderzoekers testten de nauwkeurigheid van hun systeem met behulp van beelddatasets van handgeschreven cijfers, kledingstukken en een bredere set van verschillende voertuigen en dieren, bekend als de CIFAR-10-beelddataset. Ze vonden een nauwkeurigheid van de beeldherkenning van respectievelijk 98,6%, 91,1% en 51,4%.

Deze resultaten steken zeer gunstig af bij eerdere generaties van volledig elektronische diepe neurale netten. Hoewel recentere elektronische systemen betere prestaties leveren, suggereren de onderzoekers dat volledig optische systemen voordelen hebben op het gebied van inferentiesnelheid, laag vermogen en de mogelijkheid om op te schalen om veel meer objecten parallel te huisvesten en te identificeren.

Neem voor meer informatie contact op met Amy Akmal op Dit e-mailadres wordt beschermd tegen spambots. U heeft Javascript nodig om het te kunnen zien..