Китайцы научили роботов «думать» со скоростью света — кремниевая фотоника набирает обороты

Ученые из Сидианского университета разработали фотонную нейроморфную вычислительную систему, которая впервые обеспечивает обучение с подкреплением, полностью основанное на свете.фотоны), без преобразования сигналов в импульсы тока для выполнения ключевых операций. До сих пор фотонные нейронные сети могли выполнять только линейные вычисления, но новая разработка прорывается в область нелинейных преобразований, и это многое изменит.

Преобразование сигналов из состояния фотонов в поток электронов и наоборот связано с дополнительными потерями как энергии, так и времени (задержки). При работе робототехники в реальном времени такие потери могут привести к быстрым поломкам и даже авариям. Именно поэтому стремление разработчиков создать универсальные фотонные чипы для сложных вычислений и обучения роботов и автопилотов является одним из ключевых путей безопасного сосуществования робототехники с людьми и среди людей.

Созданный учеными двухчиповый оптический прототип решает три основные проблемы: во-первых, отсутствие крупномасштабных массивов нелинейных фотонных импульсных нейронов с низким порогом срабатывания (такие массивы сейчас существуют, и порог срабатывания очень низок, что позволяет создавать гораздо более плотные массивы нейронов, чем раньше.), во-вторых – невозможность создания полностью программируемых чипов на основе спайк-сетей и в-третьих – как следствие отсутствие возможности аппаратной реализации обучения с фотонным подкреплением, что было успешно преодолено группой учёных.

Первая система, предложенная исследователями, которую они описывают в последнем выпуске журнала Optica, состоит из 16-канального фотонного нейроморфного чипа с 272 обучаемыми параметрами и чипа с лазерной решеткой обратной связи и приемником активации нелинейных импульсов. Также разрабатывается аппаратно-программная база: модель сначала обучается в программном комплексе, затем на чипах, а затем дополнительно обучается с учетом особенностей аппаратной реализации.

Тестирование проводилось на классических задачах: CartPole(балансировка шеста на тележке) и маятник (раскачивание маятника из висящего положения в вертикальное с последующей стабилизацией в таком положении). Аппаратные результаты показали минимальное падение точности — всего 1,5% для CartPole и 2% для Pendulum по сравнению с чисто программной моделью. Отличная производительность была достигнута на CartPole и хорошая производительность на более сложной задаче Pendulum.

Производительность впечатляет: энергоэффективность линейных вычислений достигла 1,39 ГОПС/Вт при плотности 0,13 ГОПС/мм², а нелинейных вычислений — 987,65 ГОПС/Вт и 533,33 ГОПС/мм²; Задержка вычислений чипа составляет всего 320 пикосекунд. Эти показатели ставят оптическую систему в класс графических процессоров по энергоэффективности (1 ТОПС/Вт) и плотность вычислений (0,1–0,5 ТОПС/мм²), но с преимуществом полной оптической обработки, исключающей потери при преобразовании сигнала. Система демонстрирует быстрое обучение посредством серии проб и ошибок в реальном времени.

Разработка открывает перспективы для автономного вождения, встроенного интеллекта в роботов и периферийных вычислений, где требуются сверхнизкие задержки и минимальное потребление энергии. В будущем авторы планируют масштабировать систему до 128-канального чипа для более сложных задач, таких как нейроморфная автономная навигация, а также создать компактные гибридно-интегрированные фотонные нейроморфные чипы. Это один из важных шагов на пути к энергоэффективному ИИ, работающему на импульсах света.