Processamento 1000 vezes mais rápido: detector inovador para grandes

Por Optica26 de agosto de 2023

Os pesquisadores utilizaram um SNPD para aumentar a velocidade e a eficiência das redes neurais ópticas, apresentando um aumento potencial de 1.000 vezes nas velocidades de processamento em comparação com os sensores de câmera tradicionais. Este avanço anuncia uma nova era para sistemas de visão orientados por IA.

ONN difrativo mais rápido e com baixo consumo de energia poderia ser usado para processamento de imagem e vídeo.

Pela primeira vez, os pesquisadores aproveitaram o poder de um fotodetector não linear normal de superfície (SNPD) para melhorar a velocidade e a eficiência energética de uma rede neural óptica difrativa (ONN). Este dispositivo inovador abre caminho para o desenvolvimento de ONNs em grande escala, que podem realizar processamento em alta velocidade, à velocidade da luz, de maneira extremamente eficiente em termos energéticos.

Farshid Ashtiani, do Nokia Bell Labs, apresentará esta pesquisa no Frontiers in Optics + Laser Science (FiO LS), que será realizado de 9 a 12 de outubro de 2023, no Greater Tacoma Convention Center em Tacoma (área metropolitana de Seattle), Washington.

“A inteligência artificial (IA) está desempenhando papéis cada vez mais importantes em nossas vidas. Desde grandes modelos de linguagem até carros autônomos, vemos melhorias significativas possibilitadas pela IA”, explica Ashtiani. “As redes neurais, inspiradas na forma como o cérebro humano aprende e executa diversas tarefas, estão no centro do progresso da IA. Uma das aplicações mais difundidas das redes neurais é o reconhecimento de padrões e objetos, o que dá visão às máquinas. Por exemplo, todo carro autônomo, ou mesmo carro semiautônomo, deve compreender o que está ao seu redor, sendo capaz de ver as coisas.”

Matriz de detectores. Crédito: Farshid Ashtiani, Nokia Bell Labs

“Convencionalmente, as imagens são tiradas por câmeras, convertidas em sinais elétricos e processadas usando processadores eletrônicos, como CPUs ou GPUs, para reconhecimento de objetos”, disse Mohamad Hossein Idjadi, Nokia Bell Labs.

“No entanto, como as imagens estão originalmente no domínio óptico (ou seja, luz), pode ser mais rápido e mais eficiente em termos energéticos processá-las opticamente usando ONN. Dentre diferentes tecnologias, ONNs baseadas em moduladores de luz espacial permitem o processamento óptico de imagens e vídeos de alta resolução. Este processamento requer módulos não lineares e sensores de câmera são convencionalmente usados ​​para introduzir essa não linearidade necessária, o que leva vários milissegundos.

“Nosso novo dispositivo detector torna esse processamento não linear 1000 vezes mais rápido e mais eficiente em termos de energia do que essas câmeras. Isto é crucial para a próxima geração de sistemas de visão mecânica, pois todos nós precisamos de dispositivos inteligentes ainda mais rápidos que não consumam muita energia.”

ONNs difrativas de espaço livre usam moduladores de luz espacial e são particularmente promissores para a criação de redes de neurônios em grande escala necessárias para o processamento de imagens e vídeos. No entanto, a velocidade e a eficiência energética deste tipo de ONN são geralmente limitadas pelo sensor de imagem usado para implementar a função de ativação não linear que implementa múltiplas camadas de neurônios para criar uma rede neural profunda.

Detector único. Crédito: Farshid Ashtiani, Nokia Bell Labs

No novo trabalho, os pesquisadores propuseram o uso de um SNPD, que já haviam demonstrado como um modulador eletro-óptico de alta velocidade, em ONNs difrativos de alta resolução. Os testes mostraram que o SNPD tinha uma largura de banda de 3 dB de 61 kHz, correspondendo a menos de 6 microssegundos – cerca de 1.000 vezes mais rápido que o tempo de resposta típico dos sensores de câmera convencionalmente usados ​​em tais ONNs. O sensor também consome apenas cerca de 10 nW/pixel, o que é três ordens de magnitude mais eficiente do que uma câmera típica.

To gauge the sensor’s efficacy within an ONN, the researchers input images into the convolution layer – the primary building block of the neural network. The convolution layer had 32 parallel 3 × 3 kernels with a stride of one and used the actually measured SNPD response as its activation function instead of the standard rectified linear activation function. With this simulation setup, the network achieved a test classification accuracyHow close the measured value conforms to the correct value." data-gt-translate-attributes="[{"attribute":"data-cmtooltip", "format":"html"}]"accuracy of about 97%, which is the same performance as using an ideal rectified linear activation function in the same network./p>