研究人员首次使用表面法线非线性光电探测器(SNPD)来提高衍射光学神经网络(ONN)的速度和能量效率。新器件为大规模ONN奠定了基础，它可以以极其节能的方式执行光速的高速处理。

诺基亚贝尔实验室的FarshidAshtiani将于2023年10月9日至12日在华盛顿州塔科马(大西雅图地区)的大塔科马会议中心举行的光学+激光科学前沿(FiOLS)会议上展示这项研究。

“人工智能(AI)在我们的生活中发挥着越来越重要的作用。从大型语言模型到自动驾驶汽车，我们看到人工智能带来了显着的进步，”阿什蒂亚尼解释道。

“神经网络受到人脑如何学习和执行各种任务的启发，是人工智能进步的核心。神经网络的广泛应用之一是识别模式和物体，这为机器提供了视觉。例如，每个自动驾驶汽车，甚至半自动汽车，必须能够通过看到事物来了解周围的环境。”

诺基亚贝尔实验室的MohamadHosseinIdjadi表示：“传统上，图像由相机拍摄，转换为电信号，并使用CPU或GPU等电子处理器进行处理以进行对象识别。”

“然而，由于图像最初是在光域(即光)中，因此使用ONN对其进行光学处理可以更快、更节能。在不同的技术中，基于空间光调制器的ONN可以实现高分辨率的光学处理。图像和视频。这种处理需要非线性模块，而相机传感器通常用于引入这种所需的非线性，这需要几毫秒。我们新颖的探测器设备使这种非线性处理比此类相机快1000倍，并且更节能。这对于下一代机器视觉系统，因为我们都需要更快、不消耗大量能源的智能设备。”

自由空间衍射ONN使用空间光调制器，特别适合创建图像和视频处理所需的大规模神经元网络。然而，此类ONN的速度和能量效率通常受到用于实现非线性激活函数的图像传感器的限制，该非线性激活函数实现多层神经元以创建深度神经网络。

在这项新工作中，研究人员提出在高分辨率衍射ONN中使用SNPD，他们之前已将其证明为高速电光调制器。测试表明，SNPD具有61kHz的3dB带宽，相当于不到6微秒，比此类ONN中常规使用的相机传感器的典型响应时间快约1,000倍。该传感器的功耗仅为约10nW/像素，比典型相机的效率高三个数量级。

为了在ONN中测试新传感器，研究人员将图像输入到卷积层(神经网络的主要构建块)中。卷积层有32个并行的3×3内核，步幅为1，并使用实际测量的SNPD响应作为其激活函数，而不是标准的校正线性激活函数。通过这种模拟设置，网络实现了约97%的测试分类精度，这与在同一网络中使用理想的修正线性激活函数的性能相同。

该研究展示了在自由空间衍射ONN中使用SNPD的潜力。该探测器比相机快三个数量级且效率更高，这一事实使其成为大规模自由空间ONN设置的有希望的候选者。

诺基亚贝尔实验室的斯特凡诺·格里兰达(StefanoGrillanda)补充道：“我们需要制造大量探测器设备，可能是数百万个，以构建完整的视觉系统，并与传统相机提供的高分辨率竞争。”“好消息是，这在技术上是可行的。另一个值得研究的途径是进一步减少探测器的占地面积、能耗和响应时间，使其成为未来人工智能视觉系统更好的解决方案。”