Fényalapú szélvészgyors rendszerek szuperszámítógépek helyett?

MIT-s és más kutatók elektromosság helyett egyes számítások gyorsaságát és hatékonyságát drasztikusan növelő, fényt használó új megközelítést dolgoztak ki mélytanulás-rendszerekhez. Eljárásuk a jövő önvezető autóiban és mobil fogyasztói eszközeiben is praktikusabbá teheti a deep learninget.

Az agy tanulási folyamatait utánzó mesterséges ideghálókon alapuló mélytanuló rendszerek felhalmozott példákon gyakorolnak. Ezekkel a hálókkal eredményesebbek az arc- és hangfelismerő szoftverek, találnak masszív orvosi adatsorokban a diagnosztikában felhasználható fontos mintázatokat programok stb.

A big datának azonban megvan az ára, az elvégzendő számítások sokszor még szuperkomputereknek is rendkívül bonyolultak és megerőltetők. Ráadásul a hagyományos számítógépes architektúrák nem elég hatékonyak ideghálók mátrixok ismétlődő szorzását igénylő feladataihoz (amely az MI-algoritmusok működésének legtöbb energiát elhasználó és leginkább időigényes része). E műveletek nemcsak CPU-k, de GPU-k számára is túl számítás-intenzívek.

Itt jön képbe a kutatók által megálmodott új eszköz. egy „programozható nanofotonikus processzor.” Több fénysugárral dolgozok, és e fénysugarak következtében a hullámok úgy lépnek interakcióba egymással, hogy az elvégzendő műveletet kiszámító interferencia mintázatokat generálnak. Mai csúcsrendszerekkel összevetve a számítási sebesség, két nagyságrendű gyorsulását, az energiahatékonyság három nagyságrendű növekedését várják a processzortól.

Az elméletet négy alap magánhangzót felismerő ideghálóval tesztelték. Már a prototípussal 77 százalékos pontosságot értek el (az évekig finomított hagyományos rendszereknél ez a mutató 90). A kutatók szerint semmi akadálya, hogy a rendszer jóval pontosabbá váljon.  Azonnal alkalmazásokra persze ne számítsunk, de mihelyst elvégezték a szükséges munkákat és hatékonyan működik, különösen olyan esetekben lehet hasznos, amikor korlátozott az áramellátás.