Ein vom Politecnico di Milano entwickelter Chip enthält einen Photonik-Beschleuniger, der Berechnungen in einem Milliardstel einer Sekunde (0,1 Nanosekunden) ermöglicht. Diese photonischen Prozessoren, die auf Silizium-Mikrochips mit einer Größe von nur wenigen mm2 integriert sind, können nun zum Aufbau photonischer neuronaler Netze verwendet werden.
Neuronale Netze sind verteilte Rechenstrukturen, die sich an der Struktur eines biologischen Gehirns orientieren und darauf abzielen, kognitive Leistungen zu erzielen, die mit denen des Menschen vergleichbar sind, jedoch in viel kürzerer Zeit. Diese Technologien bilden heute die Grundlage für Systeme des maschinellen Lernens und der künstlichen Intelligenz, die ihre Umgebung wahrnehmen und ihr eigenes Verhalten anpassen können, indem sie die Auswirkungen früherer Aktionen analysieren und autonom arbeiten. Sie werden in vielen Anwendungsbereichen eingesetzt, z. B. bei der Sprach- und Bilderkennung und -synthese, beim autonomen Fahren und bei Augmented-Reality-Systemen, in der Bioinformatik, bei der genetischen und molekularen Sequenzierung und bei Hochleistungsrechnertechnologien.
Energieintensiver Prozess
Im Gegensatz zu konventionellen Computern müssen neuronale Netze, um komplexe Funktionen ausführen zu können, zunächst mit einer großen Menge an bekannten Informationen “trainiert” werden, die das Netz dann durch Lernen aus Erfahrung anpasst. Das Training ist ein äußerst energieaufwändiger Prozess, und mit zunehmender Rechenleistung steigt der Verbrauch der neuronalen Netze sehr schnell an und verdoppelt sich etwa alle sechs Monate.
Photonische Schaltkreise sind eine aufstrebende Technologie für neuronale Netze, da sie den Bau energieeffizienter Recheneinheiten ermöglichen. Das Politecnico di Milano arbeitet seit Jahren an der Entwicklung programmierbarer photonischer Prozessoren, die auf Silizium-Mikrochips mit einer Größe von nur wenigen mm2 integriert sind und im Bereich der Datenübertragung und -verarbeitung eingesetzt werden.
“Ein künstliches Neuron muss wie ein biologisches Neuron elementare mathematische Operationen wie Addition und Multiplikation ausführen”, sagt Francesco Morichetti, Leiter des Photonic Devices Lab des Politecnico di Milano. “Aber in einem neuronalen Netzwerk, das aus vielen dicht miteinander verbundenen Neuronen besteht, steigen die Energiekosten für diese Operationen exponentiell an und werden schnell unerschwinglich. Unser Chip enthält einen photonischen Beschleuniger, der es ermöglicht, Berechnungen mit Hilfe eines programmierbaren Gitters aus Silizium-Interferometern sehr schnell und effizient durchzuführen. Die Berechnungszeit entspricht der Transitzeit des Lichts in einem Chip von einigen Millimetern Größe, wir sprechen also von weniger als einer Milliardstel Sekunde”.
Leistungsstarke Rechenmaschine
“Die Vorteile photonischer neuronaler Netze sind seit langem bekannt, aber eines der fehlenden Elemente, um ihr Potenzial voll auszuschöpfen, war das Training des Netzes”, fügt Andrea Melloni, Direktor von Polifab, dem Mikro- und Nanotechnologiezentrum des Politecnico di Milano, hinzu. “Das ist so, als hätte man einen leistungsstarken Taschenrechner, wüsste aber nicht, wie man ihn benutzt. In dieser Studie haben wir Trainingsstrategien für photonische Neuronen eingeführt, die denen für herkömmliche neuronale Netze ähneln. Das photonische ‘Gehirn’ lernt schnell und genau und kann eine Präzision erreichen, die mit der eines herkömmlichen neuronalen Netzes vergleichbar ist, jedoch schneller und mit erheblichen Energieeinsparungen. Dies sind alles Bausteine für künstliche Intelligenz und Quantenanwendungen.
Neben den Anwendungen im Bereich der neuronalen Netze kann dieses Gerät als Recheneinheit für zahlreiche Anwendungen eingesetzt werden, bei denen eine hohe Rechenleistung erforderlich ist, z. B. für Grafikbeschleuniger, mathematische Koprozessoren, Data Mining, Kryptographie und Quantencomputer.
Das Politecnico di Milano arbeitet an dieser Forschung mit dem Photonic Devices Lab und mit Polifab, dem Mikro- und Nanotechnologiezentrum der Universität.