從機器人手術到高頻交易，現代人工智能 (AI) 系統都可以實時處理原始數據。快速實現重要功能至關重要，但傳統數字處理器正在達到其物理極限。傳統電子產品無法減少延遲或提高性能，足以跟上當今的數據密集型應用程序的需求。
轉向光以實現更快的計算
研究人員現在正在尋找光作為解決方案。光學計算——使用光而不是電來處理複雜的計算——提供了一種顯著提高速度和效率的方法。一種有前途的方法涉及光學衍射算子，這是一種薄板狀結構，當光穿過它們時可以執行數學運算。這些系統可以用很少的功率同時處理許多信號。然而，保持 10 GHz 以上速度計算所需的穩定且相干的光非常困難。
為了克服這一挑戰，中國清華大學陳宏偉教授領導的團隊開發了一種名為光學特徵提取引擎（OFE）的創新設備。2。他們的作品發表於 先進光子學關係演示了一種執行高速光學特徵提取的新穎方法，適用於各種實際應用。
歐菲如何2 準備和處理數據
OFE的關鍵進展2 它是一個創新的數據準備模塊。在不損失相位穩定性的情況下向基本光學元件提供快速、並行的光信號是該領域最棘手的問題之一。基於光纖的系統在分裂和延遲光時通常會引入不必要的相位波動。清華大學團隊通過設計具有可調功率分配器和精確延遲線的完全集成片上系統解決了這個問題。該配置將串行數據轉換為多個同步光通道。此外，集成相控陣使 OFE2 可以輕鬆地重新配置以適應不同的計算任務。
準備好後，光信號通過衍射算子進行特徵提取。這個過程類似於矩陣矢量乘法，其中光波相互作用以在特定輸出點產生聚焦的“亮點”。通過調整輸入光的相位，可以將這些點定向到選定的輸出端口，從而實現 OFE。2 捕獲輸入數據隨時間的細微變化。
破紀錄的光學性能
它的運行頻率高達 12.5 GHz，OFE2 它在 250.5 皮秒內實現了單個矩陣向量乘法——這是此類光學計算中最快的已知結果。 “我們相信這項工作為推進集成光學衍射計算在實際應用中超越 10 GHz 速率提供了重要的基準，”Chen 說。
研究團隊測試了OFE2 跨多個域。在圖像處理方面，他成功地從視覺數據中提取邊緣特徵，創建匹配的“浮雕和雕刻”圖，從而改進圖像分類並提高準確性，例如在 CT 掃描中識別器官。使用 OFE 的系統2 它比標准人工智能模型需要更少的電子參數，這表明光學預處理可以使混合人工智能網絡更快、更高效。
該團隊還應用了OFE2 到數字交易，他處理實時市場數據以產生有利可圖的買賣行為。經過優化策略訓練後，OFE2 將傳入的價格信號直接轉化為交易決策，實現一致的回報。由於這些計算以光速進行，交易者幾乎可以毫不延遲地對期權採取行動。
照亮人工智能的未來之路
這些成就共同代表了計算領域的重大轉變。通過將人工智能處理中最苛刻的部分從耗電的電子芯片轉移到快如閃電的光子系統，OFE 等技術2 它將開創實時、低功耗人工智能的新時代。 “我們研究中取得的進展將集成衍射算子推向更高的速度，為圖像識別、輔助醫療和數字金融等領域的計算密集型服務提供支持。我們期待與有數據計算需求的合作夥伴進行合作。”陳總結道。
