Im heutigen digitalen Zeitalter werden Rechenaufgaben immer komplexer. Dies wiederum hat zu einem exponentiellen Anstieg des Stromverbrauchs digitaler Computer geführt. Daher ist es notwendig, Hardware-Ressourcen zu entwickeln, die umfangreiche Berechnungen schnell und energieeffizient durchführen können.
Vielversprechend sind hier optische Computer, die mit Licht statt Strom rechnen. Sie können möglicherweise eine geringere Latenz und einen geringeren Stromverbrauch bieten und von der Parallelität optischer Systeme profitieren. Infolgedessen haben Forscher verschiedene optische Computerdesigns untersucht.
Beispielsweise wird ein diffraktives optisches Netzwerk durch die Kombination von Optik und Deep Learning entwickelt, um komplexe Rechenaufgaben wie Bildklassifizierung und -rekonstruktion optisch auszuführen. Es umfasst einen Stapel strukturierter diffraktiver Schichten, die jeweils Tausende von diffraktiven Merkmalen/Neuronen aufweisen. Diese passiven Schichten werden verwendet, um Licht-Materie-Wechselwirkungen zu steuern, um das Eingangslicht zu modulieren und die gewünschte Ausgabe zu erzeugen. Forscher trainieren das diffraktive Netzwerk, indem sie das Profil dieser Schichten mithilfe von Deep-Learning-Tools optimieren. Nach der Herstellung des resultierenden Designs fungiert dieser Rahmen als eigenständiges optisches Verarbeitungsmodul, das nur eine mit Strom versorgte Eingangsbeleuchtungsquelle benötigt.
Bisher haben Forscher erfolgreich monochromatische (Einzelwellenlängenbeleuchtung) Beugungsnetzwerke zur Implementierung einer einzelnen linearen Transformationsoperation (Matrixmultiplikation) entworfen. Aber ist es möglich, viele weitere lineare Transformationen gleichzeitig zu implementieren? Dieselbe UCLA-Forschungsgruppe, die zuerst die diffraktiven optischen Netzwerke eingeführt hat, hat sich kürzlich mit dieser Frage befasst. In einer kürzlich veröffentlichten Studie in Fortgeschrittene Photonikverwendeten sie ein Wellenlängen-Multiplexschema in einem diffraktiven optischen Netzwerk und zeigten die Machbarkeit der Verwendung eines breitbandigen diffraktiven Prozessors, um massiv parallele lineare Transformationsoperationen durchzuführen.
Professor Aydogan Ozcan, Kanzler der UCLA, Leiter der Forschungsgruppe an der Samueli School of Engineering, beschreibt kurz die Architektur und die Prinzipien dieses optischen Prozessors: „Ein diffraktiver optischer Breitbandprozessor hat Eingangs- und Ausgangssichtfelder mit Ni- und No-Pixeln . Sie sind durch aufeinanderfolgende strukturierte diffraktive Schichten aus passiven durchlässigen Materialien verbunden. Eine vorbestimmte Gruppe von Nw diskreten Wellenlängen kodiert die Eingangs- und Ausgangsinformationen. Jede Wellenlänge ist einer eindeutigen Zielfunktion oder komplexwertigen linearen Transformation gewidmet“, er erklärt.
„Diese Zieltransformationen können speziell bestimmten Funktionen wie Bildklassifizierung und -segmentierung zugewiesen werden, oder sie können der Berechnung verschiedener Faltungsfilteroperationen oder vollständig verbundener Schichten in einem neuronalen Netzwerk gewidmet sein. Alle diese linearen Transformationen oder gewünschten Funktionen werden gleichzeitig ausgeführt Lichtgeschwindigkeit, bei der jede gewünschte Funktion einer eindeutigen Wellenlänge zugeordnet wird. Dadurch kann der optische Breitbandprozessor mit extremem Durchsatz und Parallelität rechnen.“
Die Forscher zeigten, dass ein solches wellenlängenmultiplexiertes optisches Prozessordesign Nw einzigartige lineare Transformationen mit einem vernachlässigbaren Fehler annähern kann, wenn seine Gesamtzahl an diffraktiven Merkmalen N größer oder gleich 2NwNiNo ist. Diese Schlussfolgerung wurde für Nw > 180 unterschiedliche Transformationen durch numerische Simulationen bestätigt und gilt für Materialien mit unterschiedlichen Dispersionseigenschaften. Darüber hinaus erhöhte die Verwendung eines größeren N (3NwNiNo) Nw weiter auf etwa 2000 eindeutige Transformationen, die alle optisch parallel ausgeführt werden.
In Bezug auf die Aussichten dieses neuen Computerdesigns sagt Ozcan: „Solche massiv parallelen, wellenlängenmultiplexierten diffraktiven Prozessoren werden für die Entwicklung intelligenter maschineller Bildverarbeitungssysteme und hyperspektraler Prozessoren mit hohem Durchsatz nützlich sein und könnten zahlreiche Anwendungen in verschiedenen Bereichen inspirieren, einschließlich biomedizinischer Bildgebung, Fernerkundung, Analytische Chemie und Materialwissenschaften.“
Mehr Informationen:
Jingxi Li et al, Massiv parallele universelle lineare Transformationen unter Verwendung eines wellenlängenmultiplexierten diffraktiven optischen Netzwerks, Fortgeschrittene Photonik (2023). DOI: 10.1117/1.AP.5.1.016003