加州大学洛杉矶分校工程师推出用于智能相机的光速光学神经网络
加州大学洛杉矶分校萨穆埃利工程学院,洛杉矶,加利福尼亚州
加州大学洛杉矶分校的工程师对光学神经网络的设计进行了重大改进,该网络是一种受人脑工作原理启发的设备,可以以光速识别物体或处理信息。这项开发可能会催生智能相机系统,该系统只需通过穿过 3D 工程材料结构的光的图案就能弄清楚所看到的东西。新设计利用了基于光学的计算系统的并行化和可扩展性。
例如,此类系统可以集成到自动驾驶汽车或机器人中,帮助它们更快地做出近乎即时的决策,并且比基于计算机的系统使用更少的电量,因为计算机系统在看到物体后需要额外的时间来识别物体。
该技术由加州大学洛杉矶分校 (UCLA) 团队于 2018 年首次推出。该系统使用一系列具有不平坦表面的 3D 打印晶圆或层,可传输或反射入射光,其外观和效果与磨砂玻璃类似。这些层有数以万计的像素点,本质上是人造神经元,形成了可进行全光学计算的工程材料体积。每个物体都将具有穿过 3D 制造层的独特光路。这些层后面是几个光探测器,每个探测器都预先分配在计算机中,通过最多的光穿过这些层后最终到达的位置来推断输入物体是什么。例如,如果它被训练来识别手写数字,那么被编程为识别“5”的探测器将在“5”的图像穿过各层后看到大部分光线照射到该探测器。
加州大学洛杉矶分校的研究人员通过在系统中添加第二组探测器,显着提高了系统的准确性,因此每种物体类型现在都用两个探测器而不是一个探测器来表示。研究人员的目的是增加分配给某种物体类型的探测器对之间的信号差异。直观上,这类似于用左右手同时称量两块石头,以区分它们的重量是否相似或不同。
这种系统可以在 3D 制造的材料结构内以光速执行光与物质相互作用和光学衍射的机器学习任务,并且除了照明光和简单的检测器电路外,不需要大量电源。研究人员表示,这一进步可以使特定任务的智能相机能够仅使用光子和光与物质的相互作用在场景上执行计算,从而使其速度极快且节能。
研究人员使用手写数字、衣物以及更广泛的各种车辆和动物(称为 CIFAR-10 图像数据集)的图像数据集来测试系统的准确性。他们发现图像识别准确率分别为 98.6%、91.1% 和 51.4%。
这些结果与前几代全电子深度神经网络相比非常有利。虽然最新的电子系统具有更好的性能,但研究人员认为全光学系统在推理速度、低功耗以及扩展以并行容纳和识别更多物体的能力方面具有优势。
如需了解更多信息,请联系 Amy Akmal:此电子邮件地址已受到垃圾邮件机器人保护。您需要启用 JavaScript 才能查看它..
传感器