L’intelligenza artificiale (AI) è stata sviluppata per rovesciare il tradizionale pensiero industriale attraverso l’apprendimento rapido e l’inferenza, il che ha sicuramente reso le nostre vite più facili ed efficienti. La rete neurale artificiale (ANN), in quanto rappresentante degli algoritmi di apprendimento automatico, ha la più ampia gamma di applicazioni che risolvono problemi del mondo reale. Tuttavia, l’ANN implementata nel mondo reale è limitata da bassa velocità di calcolo, elevato consumo energetico e scarso parallelismo di elaborazione, nonostante al giorno d’oggi sia accelerata da Graphics Processing Unit (GPU), Application-Specific Integrated Circuit (ASIC) e Field-Programmable Gate Array (FPGA ) patatine fritte. Per affrontare questa sfida, “Il calcolo neuromorfico fotonico sembra destinato a offrire enormi opportunità”, sollevato da un tutorial “Rise of the learning machines” di Nature Photonics. Tuttavia, una delle principali sfide nell’integrazione della fotonica di successo è l’implementazione di efficienti funzioni di attivazione non lineare, come sottolineato dal professor Aydogan Ozcan, professore del Cancelliere presso l’Università della California, Los Angeles (UCLA), nella sua sessione di domande e risposte intitolata “Apprendimento automatico con la luce”:

“Esistono sfide per le implementazioni completamente ottiche a causa della mancanza di processi ottici non lineari altamente efficienti e pratici che possono fungere da funzioni di attivazione per un gran numero di nodi”.

Quindi, la ricerca di una soluzione efficiente per le funzioni di attivazione non lineare fotonica ha generato molte attività di ricerca. In un nuovo articolo pubblicato su Light Science & Application, un team di scienziati, guidato dal professor Aaron Voon-Yew Thean, Preside del College of Design & Engineering presso la National University of Singapore (NUS), del Department of Electrical and Computer Engineering, National University of Singapore, Singapore, ha sviluppato un nuovo acceleratore di rete neurale fotonico basato su una RAM opto-resistiva non volatile Passare per ottenere funzioni di attivazione non lineare programmabili. L’acceleratore di rete neurale fotonico adotta un’architettura ibrida ottico-elettrica, costituita da un interferometro Mach-Zehnder con sfasatori in entrambi i bracci, un accoppiatore, un nuovo interruttore RAM opto-resistivo e un’unità di controllo elettrica. È interessante notare che il MoS 2L’opto-resistive RAM Switch, il componente chiave dell’acceleratore, è stato inizialmente progettato e ottimizzato per ottenere un’eccellente linearità tra la potenza ottica in ingresso e la tensione di commutazione. Inoltre, superando la risposta lineare limitata nei componenti fotonici tipici come i fotorivelatori tradizionali, è possibile utilizzare l’interruttore RAM opto-resistivo grazie alla sua commutazione non lineare. Vale anche la pena notare che questa è la prima volta che il materiale bidimensionale viene utilizzato nella rete neurale fotonica. Accoppiato con sfasatori accuratamente sintonizzati e unità di controllo elettrico, l’acceleratore raggiunge una programmabilità superiore che può essere utilizzata in modo intelligente per rappresentare accuratamente diverse funzioni di attivazione non lineare, tra cui sigmoid, softplus e unità lineare rettificata (ReLU) bloccata. Questi sono estremamente critici nell’accelerazione di ANN.

L’acceleratore è stato dimostrato in una rete neurale fotonica in situ completa sull’attività di riconoscimento delle cifre scritte a mano MNIST. Utilizzando l’acceleratore di nuova concezione, il team ha raggiunto una precisione sostanziale del 91,6%, ridotto significativamente il consumo energetico medio di 20 volte e ridotto l’ingombro hardware di quasi il 40% rispetto ad altre architetture all’avanguardia. Con un’efficienza energetica e una densità di calcolo ultraelevate, l’architettura riportata apre nuove strade verso la realizzazione di una rete neurale fotonica in situ per l’intelligenza artificiale futura, le città intelligenti, la guida automatizzata e il supercomputer.

“C’è una ricerca per dispositivi optoelettronici più efficienti per abilitare il calcolo neuromorfico fotonico. I componenti chiave sono un interruttore analogico non volatile e un dispositivo di soglia. Ecco una proposta perfetta di dispositivi con nuovi materiali che possono abilitarli”. commentò il professor Thean.

Il primo autore della ricerca pubblicata è lo studente laureato della NUS Zefeng Xu, un membro del laboratorio del professor Thean, che sta perseguendo contemporaneamente la doppia laurea PhD-MBA. Crede che “la fotonica potrebbe rivoluzionare l’intelligenza artificiale e motivare un enorme mercato emergente”.

La struttura schematica della rete neurale fotonica integrata con acceleratore non lineare, che genera diverse funzioni di attivazione non lineare mediante programmazione. 
(ECU: unità di controllo elettrica; PCM: materiale a cambiamento di fase; MZI: interferometro Mach-Zehnder)
CREDITO
di Zefeng Xu

Di ihal