光學系統以前所未有的低延遲執行特徵提取。

許多現代人工智能 (AI) 應用，例如手術機器人和實時金融交易，都依賴於從原始數據流中快速提取關鍵特徵的能力。目前，傳統數字處理器很難完成這一過程。傳統電子設備的物理限制阻礙了新數據密集型服務所需的更低延遲和更高吞吐量。

這個問題的答案可能在於利用光的力量。光學計算（或使用光執行複雜的計算）可以顯著加快特徵提取速度。特別是光學衍射算子，它是一種板狀結構，當光穿過它們時執行計算，由於其能源效率和並行處理能力，非常有前途。

然而，實際上，使這些系統達到 10 GHz 以上的運行速度仍然是一個技術挑戰。這主要是由於光學計算所需的穩定相干光難以維持。

為了解決這個問題，中國清華大學陳宏偉教授領導的研究小組開發出了一種非凡的解決方案。如何 報導 V 先進光子學的聯繫他們開發了一種光學特徵提取引擎（稱為 OFE²），它為各種實際應用執行光學特徵提取。

主要創新在於OFE² 數據準備模塊。向在相干環境中運行的光芯提供高速並行光信號非常具有挑戰性，因為使用光纖組件進行功率共享和延遲會引入較大的相位擾動。該團隊通過開發具有定制功率分配器和精確延遲線的集成系統解決了這個問題。

該模塊通過將輸入信號劃分為多個穩定的並行分支來有效地反序列化數據流。此外，可調集成相控陣允許 OFE² 根據需要重新配置。

數據準備好後，光波通過衍射算子。該過程可以在數學上建模為矩陣向量乘法，執行特徵提取。此操作的關鍵是衍射光在輸出處產生聚焦“亮點”的方式，通過調整併行輸入光源的相位，可以將其部分偏轉到特定的輸出端口。這種運動和功率輸出的相應變化允許 OFE² 有效捕獲與輸入信號隨時間變化相關的特徵。

工作頻率為 12.5 GHz，OFE² 可以在不到 250.5 ps 的時間內執行單個矩陣向量乘法，這是類似光學計算實現中延遲最低的。

“我們堅信，這項工作將成為推進集成光學衍射計算的重要基準，在實際應用中頻率將超過 10 GHz，”Chen 說。

研究團隊成功展示了所提出的系統解決各種問題的能力。用於 OFE 圖像處理² 能夠從輸入圖像中提取邊緣特徵，創建兩個互補的“浮雕和雕刻”特徵圖。

OFE 創建的功能² 提高了圖像分類性能並提高了語義分割的像素精度（例如計算機斷層掃描中的器官識別）。值得注意的是，使用 OFE 的人工智能網絡² 所需的電子參數比基線更少，證明光學預處理可以帶來更輕、更高效的混合人工智能係統。

此外，該團隊在數字貿易問題上獲得了類似的結果，其中 OFE² 接收時間序列市場數據並根據優化策略建議有利可圖的交易行動。在此任務中，交易者將實時價格信號輸入 OFE。²。經過初步訓練後，優化調整的 OFE² 生成輸出信號，可以通過簡單的決策過程直接轉換為買入或賣出行動，確保一致的盈利能力。由於整個過程以光速進行，因此它提供了顯著的延遲優勢，使您能夠以最小的延遲賺取利潤。

總而言之，這些結果指出了一種新的範式，其中計算最密集的工作負載從高耗電的電子設備轉移到超快、低功耗的光子學，從而催生了做出實時決策的新一代人工智能係統。

“我們研究中取得的進展推動集成衍射算子達到更高的速度，支持圖像識別、輔助醫療和數字金融等領域的資源密集型服務。我們期待與有數據密集型計算需求的合作夥伴合作。”陳總結道。