UCLA Ingenieurs Onthullen Licht-snelheid Optisch Neuraal Netwerk voor Intelligente Camera's

UCLA Samueli School of Engineering, Los Angeles, CA

UCLA ingenieurs hebben grote verbeteringen gemaakt aan hun ontwerp van een optisch neuraal netwerk - een apparaat geïnspireerd door hoe het menselijk brein werkt - dat objecten kan identificeren of informatie verwerken met de snelheid van licht. De ontwikkeling kan leiden tot intelligente camera systemen die uitvinden wat ze zien puur door de patronen van licht die door een 3D geëngineerde materiaalstructuur lopen. Het nieuwe ontwerp profiteert van de parallelisering en schaalbaarheid van optische berekeningssystemen.

Toepassingen in autonoom rijden en robotica

Bijvoorbeeld, dergelijke systemen kunnen geïntegreerd worden in zelfrijdende auto's of robots, helpende hen near-instantane beslissingen te maken sneller en met minder stroom dan computer-gebaseerde systemen die additionele tijd nodig hebben om een object te identificeren nadat het gezien is.

De technologie werd voor het eerst geïntroduceerd door de UCLA groep in 2018. Het systeem gebruikt een serie 3D-geprinte wafers of lagen met oneffen oppervlakken die binnenkomend licht doorlaten of reflecteren - vergelijkbaar in uiterlijk en effect met gefrost glas. De lagen hebben tientallen duizenden pixelpunten, essentieel kunstmatige neuronen die een geëngineerd volume van materiaal vormen dat all-optically berekent. Elk object zal een uniek lichtpad hebben door de 3D gefabriceerde lagen. Achter de lagen zijn diverse lichtdetectoren, elk vooraf toegewezen in een computer om af te leiden wat het input object is door waar het meeste licht eindigt na het reizen door de lagen. Bijvoorbeeld, als het getraind is om handgeschreven cijfers te herkennen, dan zal de detector geprogrammeerd om een "5" te identificeren, het meeste licht zien dat die detector raakt na de afbeelding van een "5" door de lagen gereisd is.

Verbeterde nauwkeurigheid door dubbele detectors

De UCLA onderzoekers hebben de systeernauwkeurigheid significant verhoogd door een tweede set detectoren aan het systeem toe te voegen, zodat elk objecttype nu vertegenwoordigd is met twee detectoren in plaats van één. De onderzoekers stelden zich ten doel het signaalverschil tussen een detectorpaar toegewezen aan een objecttype te vergroten. Intuïtief is dit vergelijkbaar met het wegen van twee stenen gelijktijdig met linker- en rechterhand om te differentiëren of ze van vergelijkbaar of verschillende gewicht zijn.

Zo'n systeem voert machine-learning taken uit met licht-materie interactie en optische diffractie binnen een 3D gefabriceerde materiaalstructuur met de snelheid van licht en zonder de noodzaak voor uitgebreide stroom, behalve voor de verlichtingslicht en eenvoudige detectorkring. Volgens de onderzoekers kan deze vooruitgang taak-specifieke slimme camera's mogelijk maken die berekening op een scène uitvoeren met alleen fotonen en licht-materie interactie, wat het extreem snel en energie-efficiënt maakt.

De onderzoekers testten hun systeernauwkeurigheid met beeld datasets van handgeschreven cijfers, kledingstukken, en een breder set van diverse voertuigen en dieren bekend als de CIFAR-10 beeld dataset. Ze vonden beeldherkenningsnauwkeurigheidspercentages van 98,6%, 91,1% en 51,4% respectievelijk.

Die resultaten vergelijken zich gunstig met eerdere generaties van all-elektronische diepe neurale netwerken. Terwijl meer recente elektronische systemen betere prestaties hebben, suggereren de onderzoekers dat all-optische systemen voordelen hebben in inferentie snelheid, laag vermogen, en de mogelijkheid om op te schalen om veel meer objecten in parallel te accommoderen en te identificeren.

Voor meer informatie, contacteer Amy Akmal via dit e-mailadres.