本文經AI新媒體量子位（公眾號ID:QbitAI）授權轉載，轉載請聯系出處。

比深度神經網絡速度還快的是什么？

或許光子DNN可以回答這個問題。

現在，美國研究者開發的一個光子神經網絡 (photonic deep neural network，PDNN)，讓圖像識別僅需1納秒。

1納秒是什么概念？它等于10-9秒，這與最先進的微芯片單時鐘周期（最小的時間單位）相當。

此外，研究者測試發現，PDNN對圖像進行2分類和4分類的準確率分別高達93.8%和89.8%。

誠然，如今的大型多層神經網絡高效且運算能力很強，但其也受到硬件的限制，往往需要消耗大量的電力資源等。

而賓夕法尼亞大學的工程師們研發的PDNN，能夠直接分析圖像，不需要時鐘、傳感器或大型存儲模塊，以有效降低耗能。

這項研究成果的相關論文在6月1日登上了Nature雜志。

光子DNN比傳統DNN更快

和傳統DNN相比，光子DNN的原理和性能有何不同？

先來看看傳統DNN：

圖a是傳統DNN的結構示意圖，包括一個數據排列單元，然后是輸入層、幾個隱藏層，和一個提供分類輸出的輸出層。

圖b展示了傳統N輸入神經元的結構：輸入的線性加權和，通過一個非線性激活函數，產生神經元的輸出。

圖c和圖d分別是一個PDNN芯片的神經網絡示意圖和N輸入神經元結構。

首先在一個5×6光柵耦合器上形成輸入圖像，然后將其排列成4個重疊的子圖像，子圖像的像素被傳送到第一層神經元，形成一個卷積層。

后面的神經元與它們的前一層完全連接，該網絡產生2個輸出，可最多為4種圖像信息分類。

對于這些神經元，其輸入的都是光學信號。

在每個神經元中，線性計算是通過光學方式進行的，而非線性激活函數是通過光電子方式實現的，從而可使分類時間低于570ps（=0.57ns）。

論文的通訊作者，電氣工程師Firooz Aflatouni對這個PDNN的性能補充描述道：它每秒可以對近18億張圖像進行分類，而傳統的視頻幀率是每秒24至120幀。

這里的PDNN芯片電路被集成在僅9.3 mm2 的面積內，不需要時鐘、傳感器以及大型存儲模塊。

一個激光器被耦合到芯片內，為各個神經元提供光源；該芯片包含兩個5×6的光柵耦合器，分別作為輸入像素陣列和校準陣列。

不過，均勻分布的供給光每個神經元光提供了相同的輸出范圍，顯然這將允許將其擴展到更大規模的PDNN。

光子DNN芯片的圖像分類測試

研究者們讓這個PDNN微芯片識別手寫字母。

一組實驗測試了PDNN芯片的二分類性能：需要對共計216個“p”和“d”字母組成的數據集進行分類。

該芯片準確率高于93.8%。（（92.8%+94.9%）/2）

另一組實驗測試了PDNN芯片的四分類性能：需對共計432個“p”、“d”、“a”、“t”字母組成的數據集進行分類。

該芯片分類準確率高于89.8%。

這些結果表明，即使有更多的類（如分四類情況），且存在打印機引起的變化和噪聲，PDNN芯片仍取得了較高的分類精度。

為了比較這個PDNN和傳統DNN的圖像分類準確性，研究者還測試了在Python中使用Keras庫實現的190個神經元組成的DNN，結果顯示：它在相同圖像上的分類準確率為96%。

作者簡介

論文一作，Farshid Ashtiani現任美國賓夕法尼亞大學電氣和系統工程系博士后研究員，主要研究方向是光子-電子聯合/混合集成系統。

論文的其他作者也都來自賓大的電氣和系統工程系。

去年，就有一位日本NTT研究所的科學家表示，光子計算可以降低神經網絡計算的能耗，擁有巨大潛力，很可能成為深度學習的未來重點發展對象。

該研究的賓大工程師們則表示，PDNN對光學數據的直接、無時鐘處理消除了模擬-數字轉換和對大型內存模塊的要求，使下一代深度學習系統的神經網絡更快、更節能。

對于光子深度神經網絡的前景和應用，你怎么看？

論文地址：

https://www.nature.com/articles/s41586-022-04714-0#article-info