以深度學(xué)習(xí)為代表的人工智能技術(shù)已在包括自動(dòng)駕駛、醫(yī)療診斷、語(yǔ)音翻譯等眾多領(lǐng)域帶來(lái)巨大的變革。隨著深度學(xué)習(xí)算法的迅猛發(fā)展，人工神經(jīng)網(wǎng)絡(luò)規(guī)模的不斷增大，迫切需要不斷提升計(jì)算處理器的運(yùn)算速度和能效。采用傳統(tǒng)電子計(jì)算方式已經(jīng)越來(lái)越難以滿足未來(lái)人工智能對(duì)處理器計(jì)算性能的需求。近年來(lái)，基于光計(jì)算高速、低功耗、高并行的顛覆性優(yōu)勢(shì)，通過(guò)光電融合的方式構(gòu)建光學(xué)神經(jīng)網(wǎng)絡(luò)與智能光電計(jì)算處理器已經(jīng)成為國(guó)際信息技術(shù)前沿的熱點(diǎn)研究領(lǐng)域。

然而，現(xiàn)有的光電智能計(jì)算技術(shù)距離實(shí)際應(yīng)用還面臨著以下挑戰(zhàn)：（1）模型構(gòu)架簡(jiǎn)單，現(xiàn)有的光學(xué)神經(jīng)網(wǎng)絡(luò)模型復(fù)雜度較低，光學(xué)非線性實(shí)現(xiàn)較為困難，因此模型性能與電子的人工神經(jīng)網(wǎng)絡(luò)有較大的差距；（2）系統(tǒng)誤差難校正，光計(jì)算系統(tǒng)誤差大小和系統(tǒng)復(fù)雜度成正相關(guān)，因此誤差校正算法對(duì)于構(gòu)建大規(guī)模智能光計(jì)算系統(tǒng)至關(guān)重要，然而迄今為止尚缺普適性的誤差校正方法；（3）系統(tǒng)重構(gòu)困難，現(xiàn)有光學(xué)神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)難以重構(gòu)，因此計(jì)算功能單一，而網(wǎng)絡(luò)參數(shù)編程則依賴較為復(fù)雜的光學(xué)效應(yīng)，大規(guī)模參數(shù)的快速精準(zhǔn)寫入仍存在困難。

圖一：光電智能衍射計(jì)算處理器的基本原理

針對(duì)上述挑戰(zhàn)，來(lái)自清華大學(xué)信息學(xué)院的戴瓊海教授研究團(tuán)隊(duì)提出并構(gòu)建了光電智能衍射計(jì)算處理器（Diffractive Processing Unit， DPU），能夠有效地重構(gòu)實(shí)現(xiàn)包含百萬(wàn)神經(jīng)元的多類新型光電神經(jīng)網(wǎng)絡(luò)，通過(guò)自適應(yīng)的在線訓(xùn)練算法實(shí)現(xiàn)了高性能的視覺(jué)分類任務(wù)，并驗(yàn)證了光電智能計(jì)算的優(yōu)越性。

DPU 的構(gòu)架采用了光學(xué)衍射的物理現(xiàn)象，能夠產(chǎn)生大規(guī)模的光學(xué)互聯(lián)，從而助力構(gòu)建高復(fù)雜度的光學(xué)神經(jīng)網(wǎng)絡(luò)（圖一）。此外，該光學(xué)處理器原理充分利用了光的波粒二象性，神經(jīng)網(wǎng)絡(luò)權(quán)重的調(diào)整通過(guò)控制光波傳播的波前分布來(lái)實(shí)現(xiàn)，采用光電效應(yīng)能夠?qū)崿F(xiàn)人工神經(jīng)元的功能。DPU 的運(yùn)行過(guò)程光計(jì)算部分則幾乎承擔(dān)所有的計(jì)算操作，采用高通量可編程的光電器件并結(jié)合電子計(jì)算的靈活特性，能夠?qū)崿F(xiàn)高速數(shù)據(jù)調(diào)控以及大規(guī)模網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)的編程?！霸谶@項(xiàng)工作中我們定義了光電的衍射人工神經(jīng)元，能夠?qū)崿F(xiàn)對(duì)衍射光場(chǎng)的線性加權(quán)求和以及非線性激活響應(yīng)，這是構(gòu)建復(fù)雜光電深度學(xué)習(xí)系統(tǒng)的基礎(chǔ)。” 林星特聘研究員說(shuō)到。

通過(guò)軟件編程重構(gòu) DPU 實(shí)現(xiàn)了包括前饋和循環(huán)的多種類型的深度神經(jīng)網(wǎng)絡(luò)架構(gòu)，每個(gè)神經(jīng)網(wǎng)絡(luò)都包含數(shù)百萬(wàn)個(gè)神經(jīng)元，具備較高的模型復(fù)雜度。這些神經(jīng)網(wǎng)絡(luò)通過(guò)所提出的自適應(yīng)在線訓(xùn)練方法校正系統(tǒng)誤差累積，從而優(yōu)化實(shí)驗(yàn)計(jì)算性能。這種自適應(yīng)的訓(xùn)練方法通過(guò)測(cè)量神經(jīng)網(wǎng)絡(luò)內(nèi)部的狀態(tài)實(shí)現(xiàn)對(duì)計(jì)算參數(shù)的實(shí)時(shí)調(diào)整，因此不依賴網(wǎng)絡(luò)結(jié)構(gòu)，能夠普適于現(xiàn)有的光電智能計(jì)算系統(tǒng)。

將所構(gòu)建的系統(tǒng)應(yīng)用于分類和識(shí)別任務(wù)，并在深度學(xué)習(xí)的標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行了性能驗(yàn)證，包括手寫數(shù)字圖像數(shù)據(jù)集（MNIST，圖二）、時(shí)尚物品圖像數(shù)據(jù)集（Fashion-MNIST），以及人類動(dòng)作視頻數(shù)據(jù)集（Wetzmann 和 KTH，圖三）。光電智能計(jì)算模型性能首次超越了 LeNet-4 電子神經(jīng)網(wǎng)絡(luò)模型。系統(tǒng)還能實(shí)現(xiàn)高速、高精度的人類動(dòng)作識(shí)別。運(yùn)行同樣的神經(jīng)網(wǎng)絡(luò)，光電計(jì)算系統(tǒng)與特斯拉 V100 圖形處理器（GPU）相比，計(jì)算速度提高了 8 倍，系統(tǒng)能效提升超過(guò)一個(gè)數(shù)量級(jí)，核心模塊計(jì)算能效則能夠提升四個(gè)數(shù)量級(jí)。

戴瓊海教授指出，“當(dāng)前光電智能計(jì)算技術(shù)的潛力還有待深入挖掘，未來(lái)使用超材料構(gòu)建片上相控陣列，能夠極大提升處理器的計(jì)算性能，而實(shí)現(xiàn)光電計(jì)算機(jī)的目標(biāo)則需要多學(xué)科的交叉融合?！?未來(lái)已來(lái)，推動(dòng)類腦光電子芯片的研發(fā)將極大促進(jìn)人工智能的發(fā)展，將為大規(guī)模數(shù)據(jù)的實(shí)時(shí)智能處理，高速低功耗智能化無(wú)人系統(tǒng)，以及從十億像素到百億像素光場(chǎng)成像奠定基礎(chǔ)，具備極為廣闊的應(yīng)用前景。

這項(xiàng)工作發(fā)表在 Nature Photonics 期刊上，周天貺博士研究生為該論文的第一作者，林星特聘研究員（清華腦與認(rèn)知科學(xué)研究院、未來(lái)芯片技術(shù)高精尖創(chuàng)新中心）、方璐副教授（清華電子系）、戴瓊海教授（北京信息科學(xué)與技術(shù)國(guó)家研究中心）為通訊作者。工作得到了國(guó)家科技部和國(guó)家自然科學(xué)基金委的支持。

原文標(biāo)題：清華團(tuán)隊(duì)打造光學(xué)人工智能，讓《三體》中的計(jì)算機(jī)成為現(xiàn)實(shí)

文章出處：【微信公眾號(hào)：DeepTech深科技】歡迎添加關(guān)注！文章轉(zhuǎn)載請(qǐng)注明出處。

責(zé)任編輯：haq