大规模并行的唯幅度傅立叶神经网络。
为了在这种光学机器学习系统中实现突破,研究人员用基于数字镜的技术取代了空间光调制器,从而开发出速度快百倍的系统。该处理器的非迭代时序,再加上快速的可编程性以及大规模并行化处理,使得这个光学机器学习系统的性能甚至超越顶尖的图形处理单元一个数量级,而且在最初的原型机之外还有进一步优化的空间。
不同于目前电子机器学习硬件中按顺序处理信息的范式,这款处理器采用了傅里叶光学,即频率滤波的概念,可以利用数字镜像技术将神经网络所需的卷积执行为更简单的逐元(element-wise)乘法。
乔治·华盛顿大学电气与计算机工程系副教授Volker Sorger表示:“这种大规模并行的、唯辐度的傅立叶光学处理器预示着信息处理和机器学习的新时代的到来。研究表明,训练该神经网络可以解决相位信息缺乏的问题。”
加州大学洛杉矶分校计算机工程系副主任Puneet Gupta教授表示:“光学允许在单个时间步长内处理大规模矩阵,从而实现了通过光学方式执行卷积操作的新尺度向量。正如在这里所演示的,这对于机器学习应用来说有着巨大的潜力。”
Optelligence LLC公司联合创始人Hamed Dalir表示:“该原型展示了光加速器的商业化途径,它已经为网络边缘处理、数据中心和高性能计算系统等许多应用做好了准备。”
(逸文)