Optalysys onthult 's werelds eerste laseraangedreven optische neurale netwerk

• Optalysys demonstreert zijn optische verwerkingstechnologie die AI met de snelheid van het licht uitvoert.
• Het maakt gebruik van energiezuinig laserlicht in plaats van siliciumverwerkingstechniek.

Het Britse technologiebedrijf Optalysys heeft het eerste Convolutional Neural Network (CNN) ontwikkeld met behulp van hun optische verwerkingstechnologie. Het optische computerapparaat maakt gebruik van ruimtelijke lichtmodulatoren en lasers om complexe numerieke bewerkingen met zeer hoge snelheid uit te voeren terwijl er minder stroom wordt gebruikt.

Het gebruik van CNN’s groeit snel, vooral op het gebied van beeldherkenning en -analyse op basis van machine learning-technieken. Het wordt ook gebruikt in cruciale toepassingen zoals medische beeldanalyse, weersvoorspellingen en autonome voertuigen. Al deze modellen vereisen enorme berekeningen en er moeten meerdere convolutionele lagen worden verwerkt.

In de afgelopen paar jaar heeft CNN, met de vooruitgang van grafische processors, ook een aantal indrukwekkende vooruitgang geboekt. Ze worden echter nog steeds beperkt door de hoge energiekosten en het falen van de wet van Moore.

De door Optalysys ontwikkelde optische verwerkingstechnologie maakt gebruik van energiezuinig laserlicht in plaats van de siliciumverwerkingstechniek. Dit levert meerdere ordes van grootte snelheidsverbeteringen op ten opzichte van traditionele computers en verbruikt veel minder energie.

Volgens de CEO en oprichter van het bedrijf, Dr. Nick New, hebben ze optische verwerking toegepast op het uiterst complexe en veeleisende veld van convolutionele neurale netwerken met 70 procent van de initiële nauwkeurigheid.

Ze hebben aangetoond dat deze technologie een convolutioneel neuraal netwerk verwerkt, met behulp van bekende MNIST-gegevens die 10.000 testkarakters en 60.000 trainingskarakters bevatten.

Grote projecten gebaseerd op deze technologie

Deze zeer efficiënte en schaalbare aanpak (die zich nog in de ontwikkelingsfase bevindt) zal niet alleen nieuwe niveaus van cloudgebaseerde mogelijkheden bieden, maar ook het potentieel van convolutionele neurale netwerken voor mobiele systemen vergroten. Dit werk heeft geleid tot enkele proof-of-concept-projecten.

Project Genesys: Een prototype van een genetisch zoeksysteem voor het uitvoeren van sequentiezoekopdrachten van metagenomische metingen in een grote database van meer dan 64 miljoen basenparen van 20 bacteriële genomen.

Projectontsnapping:  Maakt deel uit van een groot samenwerkingsproject om grootschalige computercapaciteiten en algoritmen van de volgende generatie te bouwen voor het Europees Centrum voor Weersverwachtingen op Middellange Termijn.

Projectgelijk:  Een startproject met DARPA om wiskundige verwerking met lichtsnelheid te onderzoeken, die de basis vormt voor simulaties op extreme schaal, zoals die worden gebruikt in de vloeistofdynamica en plasmamodellering.

Over Optalysys

Optalysys is een van de snelgroeiende startups die werkt aan de implementatie van optisch computergebruik in kunstmatige intelligentie. Ze bouwden hun eerste coprocessor met behulp van beproefde diffractieve optische technieken, die gebaseerd zijn op laser met laag vermogen in plaats van elektrische stroom.

Volgens het bedrijf is hun technologie grotendeels schaalbaar. In de toekomst kunnen deze systemen mogelijkheden bereiken die verder gaan dan wat kan worden gerealiseerd via traditionele computermachines, door gebruik te maken van de meest natuurlijke vorm van parallelle verwerking:licht.

Deze systemen zullen beschikbaar zijn in krachtige computermachines, desktopcomputers en de cloud. Bovendien zullen geminiaturiseerde systemen worden geïntegreerd in draagbare apparaten met behulp van de hedendaagse componenttechnologie.

Lees:Een nieuwe vorm van licht die kwantumcomputers mogelijk kan maken met fotonen

Andere bedrijven zoals Lightmatter, Light Intelligence, Lighton en Fathom Computing werken op hetzelfde terrein. Ze gebruiken allemaal verschillende soorten optische technieken voor het coderen van neurale netwerken om een veel energiezuiniger systeem te bieden dan conventioneel GPU-gebaseerd leren.