Технологические достижения в области автономного вождения и компьютерного зрения способствовали значительному росту спроса на вычислительную мощность. В этом контексте оптические вычисления, отличающиеся высокой пропускной способностью, энергоэффективностью и низкой задержкой, привлекли внимание ученых и промышленников. Однако существующие оптические чипы сталкиваются с проблемами потребления энергии и размеров, ограничивая масштабируемость оптических вычислительных сетей.
Решение этих вопросов нашли в неизменяемой интегрированной фотонике, позволяющей оптическим устройствам работать без статического потребления энергии. Материалы с фазовым изменением (PCMs) стали обещающими кандидатами для создания фотонной памяти и неизменяемых нейроморфных фотонных чипов, что делает их идеально подходящими для масштабных неизменяемых оптических вычислительных чипов.
Недавно исследователями из Чжэцзянского университета, Университета Вэстлейк и Института микроэлектроники Китайской академии наук был сделан прорыв. В журнале Advanced Photonic они подробно описали разработку 5-битной фотонной памяти, способной быстро изменяться, и предложили решение для неизменяемой фотонной сети, поддерживающей быстрое обучение. Это стало возможным благодаря интеграции сульфида сурьмы (Sb2S3) c малыми потерями в кремниевую фотонную платформу.
Данная фотонная память использует эффект дисперсии носителя PIN-диода, чтобы достичь изменчивой модуляции менее чем за 40 наносекунд. После обучения память позволяет хранить данные о весе в фотонной вычислительной сети, обеспечивая чрезвычайно энергоэффективный процесс.
Команда исследователей смоделировала оптическую сверточную ядерную архитектуру и достигла более чем 95 процентов точности в распознавании набора данных MNIST (большая коллекция рукописных цифр, которая часто используется для тренировки различных систем обработки изображений и обучения машин в области машинного обучения и компьютерного зрения), что доказывает возможность быстрого обучения.
Эти исследования открывают новые горизонты в области фотонной памяти и предлагают перспективное решение для внедрения неизменяемых устройств в быстро обучающиеся оптические нейронные сети, делая будущее оптических вычислений светлее, чем когда-либо.
Источник: SecurityLab