1000배 더 빠른 처리: 대형용 혁신적인 검출기

Optica 작성2023년 8월 26일

연구원들은 SNPD를 활용하여 광학 신경망의 속도와 효율성을 향상시켰으며, 이는 기존 카메라 센서에 비해 처리 속도가 1000배 증가할 수 있음을 보여주었습니다. 이러한 발전은 AI 기반 비전 시스템의 새로운 시대를 예고합니다.

더 빠르고 에너지 효율적인 회절 ONN은 이미지 및 비디오 처리에 사용될 수 있습니다.

연구자들은 처음으로 표면 법선 비선형 광검출기(SNPD)의 성능을 활용하여 회절 광학 신경망(ONN)의 속도와 에너지 효율성을 향상시켰습니다. 이 혁신적인 장치는 극도로 에너지 효율적인 방식으로 빛의 속도로 고속 처리를 수행할 수 있는 대규모 ONN 개발의 길을 열었습니다.

Nokia Bell Labs의 Farshid Ashtiani는 워싱턴 주 타코마(광역 시애틀 지역)에 있는 그레이터 타코마 컨벤션 센터에서 2023년 10월 9~12일에 개최되는 광학 + 레이저 과학 프론티어(FiO LS)에서 이 연구를 발표할 예정입니다.

“인공지능(AI)이 우리 삶에서 점점 더 중요한 역할을 하고 있습니다. 대규모 언어 모델부터 자율주행차에 이르기까지 AI를 통해 상당한 개선이 이루어지고 있습니다.”라고 Ashtiani는 설명합니다. “인간의 두뇌가 다양한 작업을 학습하고 수행하는 방식에서 영감을 받은 신경망은 AI 발전의 핵심입니다. 신경망의 광범위한 응용 분야 중 하나는 패턴과 물체를 인식하여 기계에 시각을 제공하는 것입니다. 예를 들어, 모든 자율주행차, 심지어 반자율주행차는 사물을 볼 수 있어 주변 환경을 이해해야 합니다.”

감지기 배열. 출처: Farshid Ashtiani, Nokia Bell Labs

Nokia Bell Labs의 Mohamad Hossein Idjadi는 "기존에는 카메라로 이미지를 촬영하고 전기 신호로 변환한 후 CPU나 GPU와 같은 전자 프로세서를 사용하여 객체 인식을 처리합니다."라고 말했습니다.

그러나 이미지는 원래 광학 영역(예: 빛)에 있으므로 ONN을 사용하여 광학적으로 처리하는 것이 더 빠르고 에너지 효율적일 수 있습니다. 다양한 기술 중에서 공간 광 변조기를 기반으로 하는 ONN은 고해상도 이미지 및 비디오의 광학 처리를 가능하게 합니다. 이 처리에는 비선형 모듈이 필요하며 카메라 센서는 일반적으로 수 밀리초가 걸리는 필요한 비선형성을 도입하는 데 사용됩니다.

“우리의 새로운 감지 장치는 이러한 비선형 처리를 해당 카메라보다 1000배 더 빠르고 에너지 효율적으로 만듭니다. 우리 모두는 많은 에너지를 소비하지 않는 훨씬 더 빠른 지능형 장치가 필요하기 때문에 차세대 머신 비전 시스템에 매우 중요합니다.”

자유 공간 회절 ONN은 공간 광 변조기를 사용하며 특히 이미지 및 비디오 처리에 필요한 대규모 뉴런 네트워크를 만드는 데 유망합니다. 그러나 이러한 유형의 ONN의 속도와 에너지 효율성은 일반적으로 심층 신경망을 생성하기 위해 여러 계층의 뉴런을 구현하는 비선형 활성화 기능을 구현하는 데 사용되는 이미지 센서에 의해 제한됩니다.

단일 탐지기. 출처: Farshid Ashtiani, Nokia Bell Labs

새로운 연구에서 연구원들은 이전에 고해상도 회절 ONN에서 고속 전기 광학 변조기로 시연했던 SNPD의 사용을 제안했습니다. 테스트 결과, SNPD는 6마이크로초 미만에 해당하는 61kHz의 3dB 대역폭을 갖는 것으로 나타났습니다. 이는 이러한 ONN에서 일반적으로 사용되는 카메라 센서의 일반적인 응답 시간보다 약 1000배 빠른 것입니다. 또한 센서는 약 10nW/픽셀만 소비하며 이는 일반 카메라보다 3배 더 효율적입니다.

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>