Фотоника снимает технические ограничения для нейроморфных вычислений

Нейроморфные вычисления — это попытка скопировать принцип работы мозга: не последовательно выполнять команды, как обычный процессор, а обрабатывать информацию параллельно, через сеть взаимосвязанных «нейронов», которые активируются в зависимости от поступающих сигналов. Эта идея существует уже несколько десятилетий, но до недавнего времени ее реализовывали на обычной электронной элементной базе.

Исследователи из МФТИ провели обширный обзор, в котором систематизировали последние достижения в области фотонных нейроморфных вычислений. Принципиальное ограничение электронных систем — это скорость передачи сигналов и неизбежные тепловыделение и энергопотери при перемещении электронов через резисторы и транзисторы. Именно здесь на сцену выходит фотоника: если заменить электроны фотонами, сигналы будут распространяться со скоростью света, практически без потерь, и при этом параллельно по множеству каналов (частот).

Ключевые архитектурные подходы

Авторы обзора, опубликованного в «Журнале радиоэлектроники», обобщают несколько ключевых архитектурных подходов к фотонным нейроморфным системам. Крупномасштабные фотонные матричные процессоры на основе модуляторов Маха—Цендера выполняют операцию умножения матрицы на вектор непосредственно в оптическом домене. Кремниевый чип площадью чуть больше почтовой марки способен выполнять более 100 триллионов операций умножения и накопления в секунду.

Мультиплексирование по длине волны и по модам: разные «цвета» света и разные пространственные моды в одном волноводе используются как независимые вычислительные каналы, что на порядки увеличивает параллелизм без роста физических размеров чипа.

Особый интерес представляют так называемые резервуарные вычисления на фотонной основе. В этой архитектуре роль «резервуара» — сложной динамической системы, хранящей память о прошлых входных сигналах — выполняет нелинейная оптическая среда или полупроводниковый лазер с внешней обратной связью. Такие системы демонстрируют способность к распознаванию речи и временных паттернов при минимальном числе обучаемых параметров.

Еще одно перспективное направление — фотонные нейронные сети с фазово-переходными материалами (например, GST — сплав германия, сурьмы и теллура), которые могут переключаться между аморфным и кристаллическим состоянием прямо под действием лазерного импульса, реализуя тем самым оптическую «память» — аналог синаптической пластичности мозга.

Области применения и вызовы

Область применения фотонных нейроморфных систем охватывает практически весь спектр задач современного ИИ. Телекоммуникационные сети нового поколения требуют обработки терабитных потоков данных в реальном времени — здесь фотонные процессоры уже демонстрируют скорости, недостижимые для электронных аналогов. Автономные транспортные средства и беспилотники нуждаются в молниеносном распознавании объектов при жестких ограничениях по энергопотреблению — фотонные сверточные нейронные сети дают принципиальное преимущество. Медицинская диагностика в реальном времени, спутниковые системы наблюдения, квантовые коммуникации — все эти области ждут прихода нового поколения фотонного «железа».

Основные технологические вызовы, которые авторы обзора честно перечисляют: сложность реализации нелинейных функций активации в оптическом домене, трудности с хранением больших объемов данных (оптическая память пока уступает электронной по плотности записи), а также проблемы масштабирования интегральных фотонных схем до промышленных объемов. Тем не менее темп прогресса в последние годы резко ускорился: от отдельных демонстраций на уровне нескольких узлов до чипов, реализующих сотни взаимодействующих оптических нейронов.

Следующее десятилетие, по оценке авторов, принесет гибридные оптоэлектронные платформы, совмещающие сильные стороны обеих технологий, и полностью интегрированные фотонные процессоры, способные конкурировать с лучшими современными GPU в ключевых задачах ИИ.