盖世汽车讯 据外媒报道，诺基亚贝尔实验室（Nokia Bell Labs）的研究人员首次使用表面法向非线性光电探测器（SNPD）来提高衍射光学神经网络（ONN）的速度和能量效率。新器件为实现大规模ONN奠定了基础，ONN可以通过极其节能的方式以光速进行高速处理。

（图片来源：诺基亚贝尔实验室）

研究人员Farshid Ashtiani表示：“现在，人工智能（AI）发挥着越来越重要的作用。从大型语言模型到自动驾驶汽车，人工智能使我们的生活发生了巨大的改变。受人脑如何学习和执行各种任务的启发，人工智能发展的核心在于神经网络。神经网络的广泛应用之一是识别图形和物体，为机器提供视觉。例如自动驾驶汽车，甚至半自动驾驶汽车都必须能够看到事物，从而了解周围的环境。”

诺基亚贝尔实验室的Mohamad Hossein Idjadi表示：“传统上由摄像头拍摄图像，再转换为电信号，并使用CPU或GPU等电子处理器进行处理，以进行对象识别。”

然而，由于图像最初是在光域（即光）中，因此使用ONN对其进行光学处理更快、更节能。在不同的技术中，基于空间光调制器的ONN可以实现高分辨率图像和视频的光学处理。这种处理需要使用非线性模块，而摄像头传感器通常用于引入必要的非线性特征，这需要几毫秒。这种新颖的探测器设备使非线性处理比此类摄像头快1000倍，并且更节能。这对于下一代机器视觉系统非常重要，因为我们需要更快、耗能更低的智能设备。”

自由空间衍射ONN使用空间光调制器，非常有潜力创建大规模神经元网络，以用于图像和视频处理。然而，此类ONN的速度和能量效率通常受到用于实现非线性激活函数的图像传感器的限制，该函数可以实现多层神经元以创建深度神经网络。

在这项新工作中，研究人员提出在高分辨率衍射ONN中使用SNPD（之前已被证明为高速电光调制器）。测试表明，SNPD具有61 kHz的3-dB带宽，相当于不到6微秒，比此类ONN中常用摄像头传感器的典型响应时间快约1000倍。该传感器的功耗仅为10 nW/pixel，比常用摄像头的效率高三个数量级。

为了在ONN中测试新传感器，研究人员将图像输入到卷积层（神经网络的主要构建块）。该卷积层有32个并行的3×3内核，间距为1，并使用实际测量的SNPD响应作为其激活函数，而不是标准的修正线性激活函数。通过这种模拟设置，该网络的测试分类准确率达到97%左右，与在同一网络中使用理想的修正线性激活函数的性能相同。

该研究证明了SNPD在自由空间衍射型ONN中的应用潜力。该探测器比摄像头快三个数量级且效率更高，非常有潜力用于大规模自由空间ONN设置。

诺基亚贝尔实验室的Stefano Grillanda表示：“为了创建完整的视觉系统，并达到与传统摄像头相当的高分辨率，研究人员需要制造大量的探测器设备，可能要数百万个。令人高兴的是，这在技术上是可能的。另外，还需要进行深入研究，以减少探测器的占用空间、能耗和响应时间，使其成为未来人工智能视觉系统的更好解决方案。”