محاسبات نورومورفیک

معرفی

در محاسبات نورومورفیک ، علاقه به کارهای پردازش شدید داده که شبکه های عصبی مصنوعی (ANN) با الهام از مغز ، بسیار قدرتمند نشان داده اند ، افزایش یافته است. تقاضا برای هوش مصنوعی (AI) و سیستم های یادگیری ماشین ، با استفاده از ANNs برای بهره برداری ، به طور چشمگیری با برنامه های چالش برانگیز (به عنوان مثال دستیاران هوش مصنوعی ، وسایل نقلیه مستقل ، داده های بزرگ ، پیش بینی های هواشناسی و رباتیک های کمکی) منفجر شده است 2،3،4.   با این حال ، معماری های رایانه ای سنتی فون نویمان برای دستیابی به کارآیی و موازی سازی لازم برای بازآفرینی ANN های پیچیده 5 تلاش می کنند. از این رو ، سیستم عامل های محاسباتی نورومورفیک متشکل از سلول های عصبی و سیناپس های سنبله دار مصنوعی ، پشتیبانی شده توسط فناوری های الکترونیکی بالغ ، علاقه روزافزونی را به خود جلب کرده اند. سیستم های فعلی ، مانند TrueNorth6 ، SpiNNaker7 ، Neurogrid8 و HICANN9 ، هرکدام عملکرد چشمگیری از خود نشان داده اند. با این حال ، تحقق الکترونیکی نورومورفیک از محدودیت های ریزپردازنده های امروزی رنج می برد: پیشرفت کند قانون مور 10 و استفاده از سیگنال های الکتریکی (که ذاتاً پهنای باند ، سرعت ، فاصله ارتباطی و بهره وری انرژی را محدود می کند) 11.

در نتیجه ، رویکردهای فوتونی نورومورفیک با توجه به مزایای منحصر به فرد خود ، شروع به ظهور کرده اند ، به عنوان مثال عملکرد فوق سریع ، پهنای باند بزرگ ، مکالمه متقاطع کم و موازی سازی زیاد. عملکرد فعال شده با نور از سیستم های فوتونیک الهام گرفته از مغز به این معنی است که می توان تا 9 مرتبه قدر سریعتر از نورون های بیولوژیکی ، و بسیار مهمتر تا 6 مرتبه بزرگتر سریعتر از رویکردهای الکترونیکی 12 دستیابی داشت. با توجه به ویژگی های جذاب این سیستم های فوتونیکی ، افزایش علاقه باعث شده است تا گزارش های زیادی از دستگاه های سیناپسی مصنوعی الکترواپتیک 13،14 و مدل های عصبی فوتونیک سنبله دار بر اساس سیستم های مختلف مختلف ، به عنوان مثال مواد تغییر فاز 15 ، دیودهای تونل زنی تشدید 16،17 و انواع مختلف لیزر نیمه هادی 18،19،20،21،22،23،24،25،26،27 با این حال ، تا به امروز ، نمایش سیستم های عملکردی ، بر اساس سلول های عصبی فوتونیک چرخشی با عملکرد مداوم ، دست نیافتنی است.

این کار اولین گزارش از یک نرون فوتونیک متصل به هم آمیخته و آتش (LIF) مبتنی بر لیزر عمودی حفره ای را که از سطح ساطع می شود (VCSEL-نورون) انجام وظایف عملکردی (به عنوان مثال تشخیص تصادف و تشخیص الگو) با سرعت فوق العاده سریع زیر (با استفاده از سیگنال های ورودی 100 پوند) با عملکرد مداوم. علاوه بر این ، روش ما مبتنی بر VCSEL ، دستگاه های همه گیر موجود در محصولات الکترونیکی مصرفی امروز است. VCSEL در تلفن های همراه برای تمرکز خودکار و ویژگی های تشخیص چهره ، در اسکنر بارکد سوپرمارکت ها و غیره استفاده می شود. از این رو ، پتانسیل زیادی برای پیشرفت های جدید وجود دارد که می تواند پردازش هوشمند را به سیستم های مبتنی بر VCSEL اضافه کند. علاوه بر این ، رویکرد ما با استفاده از سخت افزار پیاده سازی صرفا متکی به اجزای خارج از قفسه در طول موج های مخابراتی است. بنابراین آن را کاملاً با فناوریهای ارتباطات نوری و مرکز داده سازگار می کند. بنابراین ، این کار مسیرهای تحقیقاتی جدیدی را به سمت ساختارهای سخت افزاری ANN فوتونیکی مبتنی بر VCSEL-neurons برای فوق سریع AI و سیستم عامل های محاسباتی نورومورفیک باز می کند.