Credit:埃因霍温理工大学的超级计算机速度极快，但也消耗大量电力。神经形态计算以我们的大脑为模型来构建快速节能的计算机，可以提供一种可行且急需的替代方案。这项技术有大量的机会，例如在自动驾驶、解读医学图像、边缘人工智能或远程光通信方面。电气工程师Patty Stabile是探索新的大脑和生物学启发的计算范式的先驱。“TU/ e结合了所有需要展示基于光子的神经形态计算在人工智能应用中的可能性。”电子工程系的副教授Patty Stabile是最早进入光子神经形态计算这一新兴领域的人之一。
“当2017年麻省理工学院的研究人员发表一篇文章，描述他们如何开发一种小型芯片来执行相同的代数运算，但以模拟方式进行时，我一直在研究一项构建光子数字人工神经元的提案。那时我意识到基于模拟技术的突触是运行人工智能的途径，从那以后我就迷上了这个课题。”
Stabile主要致力于利用集成光子技术实现神经形态计算。“对于这个令人兴奋的多学科新领域，我正在重复使用我在研究数据中心应用的光交换时获得的许多知识。”
空前的速度
在人工智能领域，海量数据需要以前所未有的速度进行处理和分析。
“你需要做的算法无法在传统的冯·诺依曼计算架构上运行，因为它们无法同时运行内存和处理。您需要的是结合这些功能的并行架构，以确保平稳快速的数据传输。电子领域有太多非常有前途的解决方案，但难题是电路中可以传输的数据量有限。在光子学中，你可以以光速传输几乎无限量的数据。”
人类大脑包含大约1000亿个神经元，每个神经元都可以通过携带神经递质的突触与成千上万个其他神经元进行交流。“这里的关键概念是节点和互联性。这与我们已经拥有的光子集成开关非常相似。”
这就是为什么Stabile看到了利用集成光子学构建神经形态网络的前景。她还相信，神经形态光子学这一全新领域将带来光开关结构的进一步发展。
挑战
然而，建立一个神经形态的光子网络绝非易事。“最大的挑战是扩大到大量神经元。这意味着新的研究问题出现了:如何将神经元只堆叠两到三层，而最终仍能得到可靠的计算结果？有没有可能重新设计算法，使我们能够简化所需的网络架构？”
为了回答这些和其他问题，Stabile与来自互补学科的许多其他同事合作，从材料科学和嵌入式系统到数学和计算机科学。
这位电气工程师说:“这是我工作中最有趣的部分，我可以覆盖整个链条，从材料和技术方面一直到整个计算层堆栈的实际应用。”
Credit:埃因霍温理工大学应用
Stabile认为这项技术有大量的机会。“例如，在自动驾驶中，你需要处理和分析来自大量传感器的大量数据，以实现实时决策。或者在超快速图像分类中，您可以使用卷积光学神经网络来支持放射科医生解读医学图像，或者允许对天文成像进行极端信号处理。
而且用于长距离光通信，以减轻接收侧数字信号处理的功耗。或者在航空航天领域，你可以使用超低功耗的光子神经网络对获取的数据进行预处理，然后再将其发送到地球。"
优化和简化
但这些都是长远的梦想。目前，Stabile专注于优化片上网络架构。Stabile首先回归基础，而不是构建尽可能复杂的网络。
“我试图确定我们能在多大程度上简化所需的网络，同时仍能获得可靠的预测。这些类型网络的杀手级应用是什么，它们必须满足什么要求？下一步是将所需的物理层、控制系统、算法和读数集成到一个能够以高效方式加速计算的工作系统中。”
扩大技术规模将是下一个阶段。“我们可以探索实现所需性能的大量可能性，从纳米光子学到自旋电子学和等离子体学。”
3D神经元
在不久的将来，Stabile希望展示一种基于电子学和多功能光子学集成的三维神经元。
“这可以由用于非线性过程的磷化铟层组成，覆盖有用于超低损耗突触操作的由氮化硅制成的布线层。然后由基于相变材料的存储层加载。对我们的计算进行的深入分析表明，这可以实现每次运算几十毫微微焦的千万亿次计算。
在埃因霍温，我们有合适的生态系统，合适的专业知识和合适的设备来生产这样的神经元并研究其特性。此外，最近成立的埃因霍温亨德里克卡西米尔研究所将进一步刺激我们的研究。"
试验台
除了优化片上网络架构，Stabile目前正专注于开发一个实验平台来加速该技术。测试床可以吸引公司的兴趣，探索这项技术如何帮助解决他们的问题。
当然，她想吸引新的科学家和学生进入这个新兴的研究领域。“神经形态光子学是一个非常令人兴奋的多学科领域，对未来有很大的希望。在TU/e，我们处于该主题的最前沿，致力于技术、网络、架构和计算机科学。有什么不喜欢的？”
这项研究发表在IEEE量子电子学精选期刊上。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
