首次，研究人员利用表面法线非线性光电探测器（SNPD）提高了衍射光学神经网络（ONN）的速度和能量效率。这一新的设备为大规模ONN奠定了基础，它可以以极为节能的方式以光速进行高速处理。

诺基亚贝尔实验室的Farshid Ashtiani将于2023年10月9日至12日在华盛顿州塔科马（大西雅图地区）的塔科马大会议中心（Greater Tacoma Convention Center）举行的光学与激光科学前沿（FiO LS）上展示这项研究。

“Ashtiani解释道：“人工智能（AI）在我们生活中的作用越来越重要。从大型语言模型到自动驾驶汽车，我们看到了AI带来的显著改进。”

“神经网络受到人脑学习和执行各种任务的启发，是AI进展的核心。神经网络的广泛应用之一是识别模式和物体，从而使机器具备视觉能力。例如，每辆自动驾驶汽车，甚至是半自动驾驶汽车，都必须通过观察事物来理解周围环境。”

“传统上，图像通过相机拍摄，转换为电信号，并使用CPU或GPU等电子处理器进行目标识别，”诺基亚贝尔实验室的Mohamad Hossein Idjadi说道。

“然而，由于图像最初是光学领域的（即光线），使用ONN在光学上处理它们可能更快速和节能。在不同的技术中，基于空间光调制器的ONN可以实现对高分辨率图像和视频的光学处理。这种处理需要非线性模块，传统上使用相机传感器引入所需的非线性，这需要几毫秒的时间。我们的新型探测器设备使这种非线性处理比相机快1000倍，并且更加节能。对于下一代机器视觉系统来说，这至关重要，因为我们需要更快的智能设备，同时又不消耗太多能量。”

自由空间衍射ONN利用空间光调制器，特别适用于创建图像和视频处理所需的大规模神经元网络。然而，这种类型的ONN的速度和能量效率通常受到用于实现多层神经元的非线性激活函数的图像传感器的限制。

在新的研究中，研究人员提出了在高分辨率衍射ONN中使用先前证明其为高速电光调制器的SNPD的建议。测试表明，SNPD的3dB带宽为61 kHz，相当于不到6微秒，约比这种ONN中传统上使用的相机传感器的典型响应时间快1000倍。该传感器每像素只消耗约10纳瓦特，比典型相机高效三个数量级。

为了在ONN中测试这种新的传感器，研究人员向卷积层输入图像，该层是神经网络的主要构建模块。卷积层具有32个并行的3×3卷积核，步幅为1，并使用实际测得的SNPD响应作为其激活函数，而不是标准的整流线性激活函数。通过这种仿真设置，该网络实现了约97%的测试分类准确率，与在同一网络中使用理想的整流线性激活函数的性能相当。

该研究展示了在自由空间衍射ONN中使用SNPD的潜力。探测器比相机快三个数量级且效率更高，使其成为用于大规模自由空间ONN设置的有前景的候选方案。

“我们需要制造大量的探测器设备，可能是数百万个，来建立一个完整的视觉系统，并与传统相机提供的高分辨率竞争，”诺基亚贝尔实验室的Stefano Grillanda补充道。“好消息是，从技术上讲这是可能的。另一个值得探究的方向是进一步减小探测器的尺寸、能量消耗和响应时间，使其成为未来AI视觉系统的更佳解决方案。”