Kamera Tucsen Aries 6510 do fotonicznego uczenia maszynowego

„Kamera Aries 6510 zapewnia prędkość, czułość i rozdzielczość, których potrzebowaliśmy w naszych projektach uczenia maszynowego. Teraz zintegrowaliśmy kamerę z naszą własną aplikacją sterującą, korzystając z języka Python”.

— Wai Kit Ng, Grupa Sapienza, Blackett Labs

Cele badań grupowych

Sztuczna inteligencja rozwija się dynamicznie, ale obecne systemy zużywają ogromne ilości energii. Aby zwiększyć wydajność sztucznej inteligencji, laboratorium Sapienza w Imperial College London tworzy nowy rodzaj sprzętu optycznego, który przetwarza informacje za pomocą światła zamiast prądu elektrycznego.

Ich system wykorzystuje maleńką, wzorzystą sieć półprzewodników do rozpoznawania obrazów bezpośrednio na podstawie wzorców świetlnych. Światło oddziałuje na złożone interakcje wewnątrz sieci, umożliwiając jej wykonywanie obliczeń w sposób zbliżony do mózgu. To podejście może sprawić, że systemy sztucznej inteligencji będą szybsze i znacznie bardziej energooszczędne niż dzisiejsze metody komputerowe, otwierając nową drogę do zrównoważonych i inteligentnych technologii.

Sprzęt i eksperyment

Przestrzennie wzorowane oświetlenie z cyfrowego mikrolustra (DMD) jest rzutowane na sieć.

W niniejszej pracy wykorzystano litograficznie wzorowaną sieć fotoniczną z fosforku indu (InP) jako podłoże obliczeniowe, przetwarzając dane wejściowe zakodowane światłem. Przestrzennie wzorowane oświetlenie z cyfrowego urządzenia z mikrolustrami (DMD) jest rzutowane na sieć, gdzie obliczenia są przeprowadzane za pomocą oddziaływań rozpraszania, interferencji i nieliniowego lasera. Światło wyjściowe jest dyfraktowane przez siatkę dyfrakcyjną i rejestrowane przez kamerę o wysokiej rozdzielczości, generując dane do analizy uczenia maszynowego. To podejście umożliwia bezpośrednie obliczenia optyczne AI na surowych obrazach, jednocześnie wydobywając złożone informacje strukturalne z emitowanego światła.

Wysoka prędkość, czułość i rozdzielczość są niezbędne do efektywnego przechwytywania bogatej dynamiki optycznej sieci, a grupa opracowuje własny interfejs graficzny oparty na języku Python, korzystając z pakietu Tucsen SDK o nazwieElement układanki.

Ilustracje pochodzą z laboratorium Sapienza.

Doświadczenie z Tucsen

Rozwój naszych badań był wcześniej ograniczony czasem potrzebnym na zebranie danych treningowych z różnych urządzeń. Współpracując zTucsenByło proste: zaprezentowaliśmy kilka kamer, wybraliśmy najlepszą pod względem pola widzenia i szybkości, otrzymaliśmy wycenę tego samego dnia, a kamera została dostarczona na czas, a nawet zainstalowana na miejscu. Bardzo czuły i szybki odczyt kamery Aries 6510 umożliwia szybsze zbieranie danych bez utraty poziomu sygnału, a 16-bitowy tryb dynamiczny rejestruje drobniejsze szczegóły intensywności, co dodatkowo poprawia jakość informacji.

— Wai Kit Ng, Imperial College, Blackett Labs.