Elaborazione 1000 volte più veloce: rilevatore innovativo per grandi dimensioni

Da Optica26 agosto 2023

I ricercatori hanno utilizzato un SNPD per migliorare la velocità e l’efficienza delle reti neurali ottiche, mostrando un potenziale aumento di 1000 volte delle velocità di elaborazione rispetto ai tradizionali sensori delle fotocamere. Questo progresso annuncia una nuova era per i sistemi di visione basati sull’intelligenza artificiale.

ONN diffrattivi più veloci ed efficienti dal punto di vista energetico potrebbero essere utilizzati per l'elaborazione di immagini e video.

Per la prima volta, i ricercatori hanno sfruttato la potenza di un fotorilevatore non lineare normale di superficie (SNPD) per migliorare la velocità e l’efficienza energetica di una rete neurale ottica diffrattiva (ONN). Questo dispositivo innovativo apre la strada allo sviluppo di ONN su larga scala, in grado di eseguire elaborazioni ad alta velocità alla velocità della luce in modo estremamente efficiente dal punto di vista energetico.

Farshid Ashtiani dei Nokia Bell Labs presenterà questa ricerca al Frontiers in Optics + Laser Science (FiO LS), che si terrà dal 9 al 12 ottobre 2023 presso il Greater Tacoma Convention Center a Tacoma (Greater Seattle Area), Washington.

“L’intelligenza artificiale (AI) gioca un ruolo sempre più importante nelle nostre vite. Dai grandi modelli linguistici alle auto autonome, vediamo miglioramenti significativi resi possibili dall’intelligenza artificiale”, spiega Ashtiani. “Le reti neurali, ispirate al modo in cui il cervello umano apprende ed esegue vari compiti, sono al centro dei progressi dell’intelligenza artificiale. Una delle applicazioni più diffuse delle reti neurali è il riconoscimento di modelli e oggetti, che dà visione alle macchine. Ad esempio, ogni auto autonoma, o anche semi-autonoma, deve comprendere l’ambiente circostante essendo in grado di vedere le cose”.

Matrice di rilevatori. Credito: Farshid Ashtiani, Nokia Bell Labs

"Convenzionalmente, le immagini vengono scattate da fotocamere, convertite in segnali elettrici ed elaborate utilizzando processori elettronici come CPU o GPU per il riconoscimento degli oggetti", ha affermato Mohamad Hossein Idjadi, Nokia Bell Labs.

“Tuttavia, poiché le immagini sono originariamente nel dominio ottico (cioè la luce), può essere più veloce ed efficiente dal punto di vista energetico elaborarle otticamente utilizzando ONN. Tra le diverse tecnologie, gli ONN basati su modulatori di luce spaziale consentono l'elaborazione ottica di immagini e video ad alta risoluzione. Questa elaborazione richiede moduli non lineari e i sensori delle telecamere vengono convenzionalmente utilizzati per introdurre questa non linearità necessaria, che richiede diversi millisecondi.

“Il nostro nuovo dispositivo di rilevamento rende questa elaborazione non lineare 1000 volte più veloce ed efficiente dal punto di vista energetico rispetto a tali fotocamere. Questo è fondamentale per la prossima generazione di sistemi di visione artificiale poiché tutti abbiamo bisogno di gadget intelligenti ancora più veloci che non consumino molta energia”.

Gli ONN diffrattivi nello spazio libero utilizzano modulatori spaziali della luce e sono particolarmente promettenti per creare reti di neuroni su larga scala necessarie per l'elaborazione di immagini e video. Tuttavia, la velocità e l’efficienza energetica di questo tipo di ONN sono solitamente limitate dal sensore di immagine utilizzato per implementare la funzione di attivazione non lineare che implementa più strati di neuroni per creare una rete neurale profonda.

Rilevatore singolo. Credito: Farshid Ashtiani, Nokia Bell Labs

Nel nuovo lavoro, i ricercatori hanno proposto l’uso di un SNPD, che avevano precedentemente dimostrato come modulatore elettro-ottico ad alta velocità, in ONN diffrattivi ad alta risoluzione. I test hanno dimostrato che l’SNPD aveva una larghezza di banda di 3 dB di 61 kHz corrispondente a meno di 6 microsecondi, circa 1000 volte più veloce del tipico tempo di risposta dei sensori delle telecamere convenzionalmente utilizzati in tali ONN. Inoltre, il sensore consuma solo circa 10 nW/pixel, ovvero tre ordini di grandezza più efficiente di una tipica fotocamera.

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>