據(jù)麥姆斯咨詢報道,近期,英國思克萊德大學(University of Strathclyde)開發(fā)了一種硬件友好型神經(jīng)形態(tài)光子脈沖處理器,其使用單個VCSEL,用于全光學圖像邊緣特征檢測。這利用了基于VCSEL的光子神經(jīng)元高速集成時間編碼像素數(shù)據(jù)的能力,并在檢測到所需圖像特征時快速發(fā)射(100ps)光學脈沖。此外,光子系統(tǒng)與軟件控制的脈沖神經(jīng)網(wǎng)絡(luò)相結(jié)合,為復(fù)雜的圖像分類任務(wù)提供了一個完整的平臺。因此,這項研究突顯了基于VCSEL的新型、超快、全光學神經(jīng)形態(tài)處理器平臺的潛力,該處理器與當前的計算和通信系統(tǒng)相連接,可用于未來的光驅(qū)動人工智能(artificial intelligence,AI)和計算機視覺功能領(lǐng)域。
利用脈沖VCSEL神經(jīng)元的圖像處理技術(shù)
網(wǎng)絡(luò)互聯(lián)設(shè)備的大量使用,直接導致數(shù)據(jù)的可獲得性不斷提高,對更快、更高效的數(shù)據(jù)處理平臺的需求不斷增加。電子處理技術(shù)的發(fā)展緩解了其中的部分需求,展示了高計算吞吐量,并支持AI新系統(tǒng)的開發(fā)。然而,由于電子技術(shù)中的基本物理挑戰(zhàn),基于硅的平臺的性能提升越來越有限,串擾、寄生電容和焦耳熱均會限制電子系統(tǒng)的速度、帶寬、占位面積和效率,進而促使許多研究人員探索未來數(shù)據(jù)處理系統(tǒng)的替代平臺。
一種替代平臺是基于光子學的系統(tǒng),其具有更高的帶寬、高能效、低串擾和快速運行等特點,有助于彌補先進電子學技術(shù)的一些限制。近年來,對光子人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Networks,ANN)和神經(jīng)形態(tài)系統(tǒng)的研究正在興起。光學器件,例如量子共振隧穿(quantum resonant tunnelling,QRT)結(jié)構(gòu)、光學調(diào)制器、相變材料(phase-change materials,PCM)和半導體激光器(semiconductor lasers,SL)等,都已作為新型神經(jīng)形態(tài)光子處理系統(tǒng)的候選對象進行了研究。其中,關(guān)于通過人工神經(jīng)網(wǎng)絡(luò)和儲備池計算系統(tǒng)加速光子學中的信息處理方面的研究已經(jīng)蓬勃發(fā)展。同樣,在圖像處理和計算機視覺領(lǐng)域取得巨大成功的卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)也在光子學平臺上得到實施,已提出諸如PCM、微環(huán)諧振器和調(diào)制器等器件來提高計算成本高的卷積運算的速度和效率。
與經(jīng)典的人工神經(jīng)網(wǎng)絡(luò)一樣,神經(jīng)形態(tài)計算系統(tǒng)特別適用于眾多任務(wù)處理,其中之一是圖像和模式的分類和識別。與CNN類似,軟件控制的神經(jīng)形態(tài)脈沖神經(jīng)網(wǎng)絡(luò)(Spiking Neural Networks,SNN)已成功證明具有圖像處理功能。此類SNN系統(tǒng)通過卷積和池化技術(shù)的組合來提取圖像特征,并與動態(tài)視覺傳感器(dynamic vision sensor,DVS)相機和單光子雪崩探測器(single photon avalanche detectors,SPAD)結(jié)合使用以執(zhí)行圖像處理任務(wù)。此外,研究還表明,由于只有網(wǎng)絡(luò)的活動部分需要計算,因此SNN比CNN具有更低的能量操作要求和更小的延遲??傊?,由神經(jīng)形態(tài)光子器件構(gòu)成的SNN在直接構(gòu)建在光子學平臺上的快速高效的圖像處理系統(tǒng)的未來發(fā)展中顯示出巨大潛力。
除此之外,半導體激光器還顯示出作為高速人工光學脈沖神經(jīng)元的能力,模擬大腦中生物神經(jīng)元的功能和脈沖操作。在半導體激光器中,垂直腔面發(fā)射激光器(vertical cavity surface emitting lasers,VCSEL)因其獨特的特性(如高速、易于集成在2D陣列中、與光纖的高耦合效率等)而備受關(guān)注。
近期,思克萊德大學的研究工作展示了一種通過基于VCSEL的硬件系統(tǒng)和全光學脈沖卷積運算構(gòu)建的具有圖像處理功能的平臺。該平臺使用單個VCSEL作為人工光學脈沖神經(jīng)元,并結(jié)合時分復(fù)用技術(shù),使其成為一個對硬件非常友好的平臺。利用脈沖VCSEL神經(jīng)元的集成和發(fā)射能力,可以同時處理多個高速光輸入(100ps),每個輸入都對不同的圖像像素進行編碼,以直接在光域中進行脈沖卷積運算。該功能被用于(復(fù)雜)源圖像中的全光學邊緣特征檢測,顯示其具有非常高的速度和噪聲魯棒性。
研究人員成功地對各種源圖像進行了邊緣特征檢測,包括復(fù)雜圖像(例如研究所的徽標)、機打數(shù)字和手寫數(shù)字(MNIST數(shù)據(jù)庫中的5000幅圖像)。如機打的“數(shù)字4”32? x ?32像素源圖像的邊緣檢測的結(jié)果所示,“數(shù)字4”的垂直邊緣由VCSEL神經(jīng)元識別(發(fā)射脈寬為100 ps的脈沖)。當在圖像中發(fā)現(xiàn)垂直邊緣特征時,“垂直”內(nèi)核會產(chǎn)生四個負輸入脈沖群,而對于所有其他像素特征,則會產(chǎn)生較小的輸入脈沖群。VCSEL神經(jīng)元整合這些時間復(fù)用脈沖的組合能量,僅當所有四個脈沖群均為負時(總能量超過脈沖觸發(fā)閾值)才會觸發(fā)脈沖,以檢測圖像中的垂直邊緣。對于所有其他情況,VCSEL神經(jīng)元保持靜止,因為編碼輸入脈沖群的組合能量沒有超過脈沖觸發(fā)閾值。
基于VCSEL神經(jīng)元的黑白圖像邊緣檢測
為了進一步測試該系統(tǒng)的能力,研究人員選擇了一幅更復(fù)雜的源圖像,即思克萊德大學(UoS)的323? × 323?像素RGB圖像。結(jié)果表明,所有水平線、垂直線和對角線均被識別,進一步說明圖像大小和復(fù)雜性均不會妨礙基于光子脈沖VCSEL的邊緣檢測系統(tǒng)的操作。重要的是,實現(xiàn)了96.63%的整體邊緣檢測精度。我們必須注意,每個像素的時間可以進一步減少到僅1ns(VCSEL神經(jīng)元的脈沖耐受時間),而無需任何額外的優(yōu)化過程,以實現(xiàn)更快的處理速度。
基于VCSEL神經(jīng)元的復(fù)雜的大尺寸圖像邊緣檢測
此外,研究人員還表明,基于VCSEL的神經(jīng)形態(tài)光子硬件系統(tǒng)的光學脈沖輸出可以饋送到軟件控制的SNN中,并成功實現(xiàn)了手寫數(shù)字圖像的識別。此外,這種方法使用價格低廉的商用VCSEL,其工作波長為1300nm,因此允許與光通信網(wǎng)絡(luò)和數(shù)據(jù)中心技術(shù)完全兼容。
基于集成和發(fā)射能力VCSEL神經(jīng)元的MNIST手寫數(shù)字邊緣檢測
研究人員還從理論上證明,具有更大維度(例如3? x 3)內(nèi)核VCSEL神經(jīng)元的運用對于實現(xiàn)更復(fù)雜的圖像特征提取也是可能的。這意味著,無論是SNN(例如該研究中軟件控制的SNN)還是針對特定特征的識別系統(tǒng),VCSEL神經(jīng)元有可能實現(xiàn)進一步的卷積任務(wù)。總體而言,研究人員認為,人工脈沖VCSEL神經(jīng)元在未來高速、低能量、硬件友好的神經(jīng)形態(tài)光子平臺上顯示出巨大的潛力。
論文信息:
Robertson, J., Kirkland, P., Alanis, J.A. et al. Ultrafast neuromorphic photonic image processing with a VCSEL neuron. Sci Rep 12, 4874 (2022).
https://doi.org/10.1038/s41598-022-08703-1
新聞來源:MEMS
相關(guān)文章