I dagens digitale tidsalder har beregningsoppgaver blitt stadig mer komplekse. Dette har igjen ført til en eksponentiell vekst i strømforbruket til digitale datamaskiner. Dermed er det nødvendig å utvikle maskinvareressurser som kan utføre storskala databehandling på en rask og energieffektiv måte.
I denne forbindelse, optiske datamaskiner, som bruker lys i stedet for elektrisitet for å utføre beregninger, er lovende. De kan potensielt gi lavere ventetid og redusert strømforbruk, og dra nytte av parallelliteten som optiske systemer ha. Som et resultat har forskere utforsket ulike optiske datadesigner.
For eksempel en diffraktiv optisk nettverk er designet gjennom kombinasjonen av optikk og dyp læring for å optisk utføre komplekse beregningsoppgaver som bildeklassifisering og rekonstruksjon. Den består av en stabel med strukturerte diffraktive lag, som hver har tusenvis av diffraktive egenskaper/nevroner. Disse passive lagene brukes til å kontrollere lys-materie-interaksjoner for å modulere inngangslyset og produsere ønsket utgang. Forskere trener det diffraktive nettverket ved å optimalisere profilen til disse lagene ved hjelp av dyp læring verktøy. Etter fabrikasjonen av den resulterende designen, fungerer dette rammeverket som en frittstående optisk prosesseringsmodul som bare krever at en inngangsbelysningskilde forsynes med strøm.
Så langt har forskere utviklet monokromatiske (enkeltbølgelengdebelysning) diffraktive nettverk for å implementere en enkelt lineær transformasjon (matrisemultiplikasjon) operasjon. Men er det mulig å implementere mange flere lineære transformasjoner samtidig? Den samme UCLA-forskergruppen som først introduserte de diffraktive optiske nettverkene, har nylig tatt opp dette spørsmålet. I en fersk studie publisert i Avansert fotonikk, brukte de et bølgelengdemultiplekseringsskjema i et diffraktivt optisk nettverk og viste muligheten for å bruke en bredbåndsdiffraktiv prosessor å utføre massivt parallelle lineære transformasjonsoperasjoner.
UCLA-kanslerens professor Aydogan Ozcan, lederen av forskningsgruppen ved Samueli School of Engineering, beskriver kort arkitekturen og prinsippene til denne optiske prosessoren: «En bredbåndsdiffraktiv optisk prosessor har input og output-synsfelt med Ni og No piksler, henholdsvis. De er forbundet med påfølgende strukturerte diffraktive lag, laget av passive transmissive materialer. En forhåndsbestemt gruppe av Nw diskrete bølgelengder koder for inngangs- og utgangsinformasjon. Hver bølgelengde er dedikert til en unik målfunksjon eller lineær transformasjon med kompleks verdi,” forklarer han.
"Disse måltransformasjonene kan spesifikt tilordnes for distinkte funksjoner som bildeklassifisering og segmentering, eller de kan dedikeres til å beregne forskjellige konvolusjonelle filteroperasjoner eller fullt tilkoblede lag i et nevralt nettverk. Alle disse lineære transformasjonene eller ønskede funksjoner utføres samtidig med lysets hastighet, hvor hver ønsket funksjon er tilordnet en unik bølgelengde. Dette lar den optiske bredbåndsprosessoren beregne med ekstrem gjennomstrømning og parallellitet.»
Forskerne demonstrerte at en slik bølgelengde-multiplekset optisk prosessordesign kan tilnærme Nw unike lineære transformasjoner med en ubetydelig feil når dets totale antall diffraktive egenskaper N er mer enn eller lik 2NwNiNo. Denne konklusjonen ble bekreftet for Nw > 180 distinkte transformasjoner gjennom numeriske simuleringer og er gyldig for materialer med forskjellige dispersjonsegenskaper. Dessuten er bruken av en større N (3NwNiNo) økte Nw videre til rundt 2000 unike transformasjoner som alle utføres optisk parallelt.
Når det gjelder utsiktene til dette nye databehandlingsdesignet, sier Ozcan: "Slike massivt parallelle, bølgelengdemultipleksede diffraktive prosessorer vil være nyttige for å designe intelligente maskinsynssystemer med høy gjennomstrømning og hyperspektrale prosessorer, og kan inspirere til en rekke applikasjoner på tvers av forskjellige felt, inkludert biomedisinsk bildebehandling, fjernmåling, analytisk kjemi og materialvitenskap."
kilde: Deep learning-designet diffraktiv prosessor beregner hundrevis av transformasjoner parallelt
