Tucsen Aries 6510 Kamera für photonisches maschinelles Lernen

„Die Aries 6510 bietet die Geschwindigkeit, Empfindlichkeit und Auflösung, die wir für unsere Machine-Learning-Projekte benötigen, und wir haben die Kamera nun mithilfe von Python in unsere eigene Steuerungsanwendung integriert.“

- Wai Kit Ng, Sapienza Group, Blackett Labs

Forschungsziele der Gruppe

Künstliche Intelligenz entwickelt sich rasant, doch die aktuellen Systeme verbrauchen große Mengen an Energie. Um KI effizienter zu gestalten, entwickelt das Sapienza Lab am Imperial College London eine neuartige optische Hardware, die Informationen mithilfe von Licht statt Elektrizität verarbeitet.

Ihr System nutzt ein winziges, strukturiertes Halbleiternetzwerk, um Bilder direkt aus Lichtmustern zu erkennen. Das Licht interagiert auf komplexe Weise innerhalb des Netzwerks und ermöglicht so Berechnungen, die dem Gehirn ähneln. Dieser Ansatz könnte KI-Systeme schneller und deutlich energieeffizienter als heutige computerbasierte Methoden machen und damit einen neuen Weg zu nachhaltigen und intelligenten Technologien eröffnen.

Ausrüstung & Experiment

Die räumlich gemusterte Beleuchtung eines digitalen Mikrospiegelbauelements (DMD) wird auf das Netzwerk projiziert.

Die vorliegende Arbeit nutzt ein lithografisch strukturiertes Indiumphosphid (InP)-Photoniknetzwerk als Rechensubstrat, um in Licht kodierte Eingangsdaten zu transformieren. Räumlich strukturierte Beleuchtung eines digitalen Mikrospiegelarrays (DMD) wird auf das Netzwerk projiziert, wo Streuung, Interferenz und nichtlineare Laserinteraktionen die Berechnungen durchführen. Das emittierte Licht wird an einem Gitter gebeugt und von einer hochauflösenden Kamera erfasst, wodurch Daten für maschinelles Lernen generiert werden. Dieser Ansatz ermöglicht die direkte optische KI-Berechnung von Rohbildern und extrahiert gleichzeitig komplexe Strukturinformationen aus dem emittierten Licht.

Hohe Geschwindigkeit, Empfindlichkeit und Auflösung sind unerlässlich, um die vielfältigen optischen Dynamiken des Netzwerks effizient zu erfassen, und die Gruppe entwickelt daher eine eigene Python-basierte GUI unter Verwendung des Tucsen SDKs namens [Name der GUI].Puzzleteil.

Die Bilder wurden von dem Sapienza-Labor zur Verfügung gestellt und sind adaptiert.

Erfahrungen mit Tucsen

„Die Entwicklung unserer Forschung war bisher durch den Zeitaufwand für die Erfassung von Trainingsdaten von verschiedenen Geräten eingeschränkt. Die Zusammenarbeit mitTucsenEs war unkompliziert: Wir testeten mehrere Kameras, wählten die beste hinsichtlich Sichtfeld und Geschwindigkeit aus, erhielten noch am selben Tag ein Angebot, und die Kamera wurde pünktlich geliefert und sogar vor Ort installiert. Die hochempfindliche und schnelle Auslesung der Aries 6510 ermöglicht eine schnellere Datenerfassung ohne Signalverlust, und ihr 16-Bit-Dynamikmodus erfasst feinere Intensitätsdetails, was die Informationsqualität weiter verbessert.

- Wai Kit Ng, Imperial College, Blackett Labs.