„Was wir hier haben, ist etwas unglaublich Einfaches“, sagte Tianwei Wuder Hauptautor der Studie. „Wir können es neu programmieren und die Lasermuster im Handumdrehen ändern.“ Die Forscher verwendeten das System, um ein neuronales Netzwerk zu entwickeln, das erfolgreich Vokale unterscheiden konnte. Die meisten photonischen Systeme müssen vor ihrem Bau trainiert werden, da das Training zwangsläufig eine Neukonfiguration der Verbindungen erfordert. Da sich dieses System jedoch leicht neu konfigurieren lässt, trainierten die Forscher das Modell, nachdem es auf dem Halbleiter installiert worden war. Sie planen nun, die Größe des Chips zu erhöhen und mehr Informationen in verschiedenen Lichtfarben zu kodieren, was die Datenmenge erhöhen sollte, die er verarbeiten kann.
Diese Fortschritte findet sogar Psaltis, der das Gesichtserkennungssystem in den 90er Jahren entwickelte, beeindruckend. „Unsere kühnsten Träume vor 40 Jahren waren im Vergleich zu dem, was tatsächlich passiert ist, sehr bescheiden.“
Erste Lichtstrahlen
Obwohl die optische Datenverarbeitung in den letzten Jahren rasche Fortschritte gemacht hat, ist sie noch weit davon entfernt, die elektronischen Chips zu verdrängen, die außerhalb von Laboren neuronale Netzwerke betreiben. In Veröffentlichungen wird angepriesen, dass photonische Systeme besser funktionieren als elektronische, aber sie laufen im Allgemeinen mit kleinen Modellen, die alte Netzwerkdesigns und geringe Arbeitslasten verwenden. Und viele der Zahlen zur photonischen Überlegenheit erzählen nicht die ganze Wahrheit, sagt Bhavin Shastri von der Queen’s University in Ontario. „Es ist sehr schwierig, einen direkten Vergleich mit der Elektronik anzustellen“, sagt er. „Wenn sie beispielsweise Laser verwenden, sprechen sie nicht wirklich über die Energie, die zum Betrieb der Laser benötigt wird.“
Laborsysteme müssen hochskaliert werden, bevor sie Wettbewerbsvorteile zeigen können. „Wie groß muss man es machen, um zu gewinnen?“, fragte McMahon. Die Antwort: außergewöhnlich groß. Deshalb kann niemand mit einem Chip von Nvidia mithalten, dessen Chips viele der modernsten KI-Systeme von heute antreiben. Auf dem Weg dorthin gibt es eine lange Liste technischer Rätsel zu lösen – Probleme, die die Elektronikseite über Jahrzehnte hinweg gelöst hat. „Die Elektronik startet mit einem großen Vorteil“, sagte McMahon.
Einige Forscher glauben, dass ONN-basierte KI-Systeme zunächst in speziellen Anwendungen erfolgreich sein werden, in denen sie einzigartige Vorteile bieten. Shastri sagte, eine vielversprechende Anwendung sei die Beseitigung von Interferenzen zwischen verschiedenen drahtlosen Übertragungen, wie etwa 5G-Mobilfunkmasten und den Radarhöhenmessern, die Flugzeugen bei der Navigation helfen. Anfang dieses Jahres haben Shastri und mehrere Kollegen hat einen ONN erstellt Es kann verschiedene Übertragungen sortieren und ein relevantes Signal in Echtzeit und mit einer Verarbeitungsverzögerung von unter 15 Pikosekunden (15 Billionstel Sekunden) herausfiltern – weniger als ein Tausendstel der Zeit, die ein elektronisches System benötigen würde, und verbraucht dabei weniger als 1/70 der Energie.
McMahon sagte jedoch, dass die große Vision – ein optisches neuronales Netzwerk, das elektronische Systeme für den allgemeinen Gebrauch übertreffen kann – weiterhin lohnenswert sei. Letztes Jahr Simulationen durchgeführt Dies zeigt, dass ein ausreichend großes optisches System innerhalb eines Jahrzehnts einige KI-Modelle mehr als 1.000 Mal effizienter machen könnte als zukünftige elektronische Systeme. „Viele Unternehmen versuchen derzeit intensiv, einen 1,5-fachen Nutzen zu erzielen. Ein tausendfacher Nutzen, das wäre unglaublich“, sagte er. „Das ist vielleicht ein 10-Jahres-Projekt – wenn es erfolgreich ist.“
Ursprüngliche Geschichte Nachdruck mit freundlicher Genehmigung von Quanta Magazin, eine redaktionell unabhängige Veröffentlichung der Simons-Stiftung dessen Aufgabe darin besteht, das öffentliche Verständnis für die Wissenschaft durch Berichterstattung über Forschungsentwicklungen und Trends in der Mathematik sowie den Naturwissenschaften und Biowissenschaften zu verbessern.