Als het om rekenen en dataverwerking gaat, worden fotonische circuits over het algemeen niet beschouwd als concurrent voor elektronica. Een von-neumann-architectuur is met fotonen lastiger te realiseren dan met elektronen. Maar voor neurale netwerken, die zich slecht laat afbeelden op de von-neumann-aanpak, zou de fotonische aanpak wel eens een uitkomst kunnen zijn, beredeneert een groep Amerikaanse en Canadese onderzoekers in Nature Photonics (open access-versie op Arxiv).
Neurale netwerken zijn opgebouwd uit lagen van identieke neuronen. Die bestaan uit instelbare verbindingen met neuronen uit de vorige laag voor hun input en een min of meer willekeurige niet-lineaire functie om een output te genereren. Het doorrekenen van een laag bestaat dus eerst uit een matrixvermenigvuldiging, van de waarden in de vorige laag met de sterkte van de onderlinge verbindingen. Daarna volgt een niet-lineaire bewerking op het resultaat.
Beide operaties kunnen efficiënt gedaan worden met fotonica. Vooral de tweede is eenvoudig: als waarden gecodeerd zijn met de amplitude van een lichtpuls, volstaat het om die bijvoorbeeld door een materiaal te schijnen dat tot een zekere grens licht absorbeert. De matrixvermenigvuldiging is dan wat ingewikkelder en vereist meerdere stappen met bundelsplitsers, faseverschuivers en dimmers. Maar het kan praktisch zonder energieverbruik worden uitgevoerd.
De onderzoekers testten uit of ze die matrixvermenigvuldiging inderdaad konden realiseren in een fotonische chip met programmeerbare bundelsplitsers en faseverschuivers die ze in een eerdere studie hadden ontwikkeld (dimmen kon ook gerealiseerd worden met de bundelsplitsers). Die werd ingezet voor een simpel netwerk met twee lagen om gesproken klanken te herkennen. De rest van de netwerkfunctionaliteit werd op een pc geïmplementeerd.
Device lifecycle management for fleets of IoT devices
Microchip gives insight on device management, what exactly is it, how to implement it and how to roll over the device management during the roll out phase when the products are in the field. Read more. .
Het werkte, maar de nauwkeurigheid bleef wel achter bij een conventionele aanpak op een digitale computer. Volgens de onderzoekers is dit te wijten aan implementatiedetails zoals ruis en thermische overspraak. Die problemen zijn op te lossen.
Daar staat tegenover dat het circuit nauwelijks energie gebruikt; alleen voor de lichtbron en de detectoren, en nog een klein beetje voor het instellen van de faseverschuivers. Maar dat zou ook met niet-vluchtige geheugenmaterialen kunnen. Bovendien kunnen de fotonische circuits ordegroottes sneller worden uitgevoerd dan elektronische.
Dat opent dus de deur naar zeer efficiënt circuits om getrainde netwerken toe te passen. Maar ook de zeer energie-intensieve training, die nu op een computer wordt uitgevoerd, zou fotonisch aangepakt kunnen worden, zegt het onderzoeksteam. Daarvoor moet het gebruikelijke trainingsalgoritme worden ingewisseld voor een alternatief, maar fundamenteel maakt dat geen verschil.