光学技术用于传输、存储、显示和识别数据。它通过提供有效的通信和分析操作手段来提供数据中心所需的处理速度。这项技术的出现正值当今海量数据集使数字和电子计算机编译和提取关键信息的能力变得紧张的时候。研究界对用于执行机器学习任务所需的高速计算的基于光学的信息处理有着浓厚的兴趣。
资料来源：阿兰赫尔佐格，EPFL
“光传输信息而不受电缆的任何物理干扰。在传输数据方面，这是光学技术的核心优势，”EPFL 工程学院光学实验室负责人 Demetri Psaltis 说。“以人工智能为例，许多人工智能程序需要加速器以最小的功率进行快速计算。目前，虽然光学技术理论上可以满足这一需求，但它尚未达到应用阶段——尽管已经进行了半个世纪的研究。这是因为光学计算和决策尚未节省时间或精力。”
受神经网络的启发
设计光学计算设备仍然是一个挑战。尽管计算执行速度很快，但障碍在于以相同的速度和节能的方式将结果传输到内存。这个障碍正是 Psaltis 实验室的工程师以及 Christophe Moser 应用光子器件实验室（同样位于工程学院）决定解决的问题。他们开发了一种名为 SOLO 的机器学习方法，用于 Scalable Optical Learning Operator，可以识别和分类格式化为二维图像的信息。他们的发现最近发表在《自然计算科学》上。
计算机科学家从大脑的神经网络中获得灵感，设计了电子计算机。这些机器通过使用类似神经元的处理器以及这些神经元之间的连接来工作。网络是分层构建的，正是这些层创造了处理能力。层数越多，计算机的决策能力就越复杂。1990 年，这些网络是一层深，代表 100 万个神经连接。今天，最强大的网络包含数百层和数十亿个连接。这是技术上的胜利，但大量的连接消耗了大量的能量。
“我们研究的目标是通过使用其他处理方法，特别是光子学来降低能量需求，”Moser 说。因此，他的团队考虑使用光纤来执行某些计算。“计算是通过光脉冲在光纤内的传播自动执行的。这简化了计算机的架构，只保留了一个神经元层，使其成为一个混合系统，”该工作的主要合著者 Ugur Tegin 补充道。
将功率需求降低 100 倍
为了测试他们的技术，该团队使用了一个数据集，该数据集由受各种疾病（包括 COVID-19）影响的肺部的 X 射线图像组成。然后，他们通过 SOLO 运行数据以识别受冠状病毒影响的器官。为了进行比较，他们还通过具有 25 层神经元的传统人工智能系统运行数据。他们发现了什么？“两个系统对 X 射线的分类同样好。然而，我们的系统消耗的能量少了 100 倍，”Moser 说。这标志着工程师第一次能够展示量化的节能效果。SOLO 更高的能源效率还可以为其他超快速光学计算领域的新机遇打开大门。
混合光学计算系统正在成为一种有前途的新技术。“它们将光学处理的带宽和速度与电子计算的灵活性相结合。当与机器人、显微镜和其他视觉计算任务中的人工智能程序相结合时，这些混合系统可以实现一些长期以来被认为是光学计算机唯一权限的变革能力，”Psaltis 说。