Napredak u razvoju fotonskih neuronskih mreža

Naučnici sa Univerziteta Strathclyde ostvarili su značajan napredak u oblasti fotonskih neuronskih sistema koji pružaju brže brzine i bolju energetsku efikasnost u poređenju sa tradicionalnim računarskim sistemima. Tim je kombinovao mrežu neuronskog spike-a sa poluprovodničkim laserom, razvijajući visokoperformansnu fotonsku mrežu koja zahteva manje uslove treniranja i uvodi novu šemu treniranja za bolje rezultate.

Neuronske mreže, inspirisane biološkim neuronima, revolucionarne su veštačke inteligencije pružajući efikasna rešenja za složene zadatke. Da bi dodatno unapredili njihove sposobnosti, istraživači su integrisali druge tehnologije u veštačke neuronske mreže. Jedan uspešan pristup bio je uključivanje svetlosnih ili fotonskih sistema koji pružaju brže brzine i bolju energetsku efikasnost, što ih čini idealnim za obradu velike količine podataka i buduće primene veštačke inteligencije.

Fotonska mreža neuronskog spikea koju su predložili istraživači bazira se na sistemu koji koristi samo jedan vertikalni kavitacijski površinski emisioni laser. Ovaj laser, često prisutan u mobilnim telefonima, čini osnovu mreže i omogućava efikasnu obradu. Nadovezujući se na svoj prethodni rad koji je kombinovao rezervoarne računalice sa neuromorfnim spike neuronima, istraživači su postigli poboljšane rezultate baveći se složenijim zadatkom klasifikacije i primenom alternativne šeme treniranja.

Zadatak klasifikacije uključivao je visoko složen, multivarijantan i nelinearan problem sa 500 karakteristika po tački podataka. Autori su koristili eksperimentalnu postavku koja je uključivala nelinearne spike dinamike lasera i arhitekturu inspirisanu rezervoarnim računalicama. Ulazni podaci bili su vremenski multipleksirani i obrađivani laserom, pri čemu je izlaz interpretiran kao binarni izlazni čvor na osnovu prag kriterijuma.

Istraživači su uspešno demonstrirali računarsku snagu fotonske mreže neuronskog spikea koristeći kako tradicionalno treniranje regresijom na najmanjem kvadratu, tako i njihov novi predloženi metod treniranja „značaja“. Oba metoda postigla su izuzetnu tačnost klasifikacije od preko 94%, nadmašujući rezultate referentnih performansi u deliću vremena obrade. Novi metod treniranja je nadmašio tradicionalni metod, postižući tačnosti od 94,4% i 95,7%. Važno je napomenuti da je neuronska mreža spikea trenirana novim metodom izuzetno dobro radila sa malim skupovima za obuku sa manje od 10 tačaka podataka.

Zaključno, predložena fotonska mreža neuronskog spikea pruža bolje rezultate od tradicionalnih digitalnih poluprovodničkih sistema obrade u smislu brzine, potrošnje energije i implementacije hardvera. Ovaj napredak otvara nove mogućnosti za obradu na bazi fotonike koja može rešavati vrlo složene zadatke sa visokom tačnošću, brzinom i energetskom efikasnošću.