Ingénieurs UCLA dévoilent un réseau neuronal optique à vitesse lumière pour caméras intelligentes

UCLA Samueli School of Engineering, Los Angeles, CA

Des ingénieurs de l'UCLA ont apporté des améliorations majeures à leur conception de réseau neuronal optique — un dispositif inspiré par le fonctionnement du cerveau humain — qui peut identifier des objets ou traiter des informations à la vitesse de la lumière. Le développement pourrait mener à des systèmes de caméra intelligents qui comprennent ce qu'ils voient simplement par les motifs de lumière qui traversent une structure de matériau 3D conçue. La nouvelle conception tire parti de la parallélisation et de l'évolutivité des systèmes de calcul basés sur l'optique.

Applications : voitures autonomes, robots

Par exemple, de tels systèmes pourraient être incorporés dans des voitures autonomes ou des robots, les aidant à prendre des décisions quasi instantanées plus rapidement et en utilisant moins d'énergie que les systèmes basés sur ordinateur qui ont besoin de temps supplémentaire pour identifier un objet après l'avoir vu.

Technologie : couches 3D imprimées et détection de lumière

La technologie a été introduite pour la première fois par le groupe UCLA en 2018. Le système utilise une série de wafers ou couches 3D imprimés avec des surfaces inégales qui transmettent ou reflètent la lumière entrante — similaire en apparence et effet au verre dépoli. Les couches ont des dizaines de milliers de points de pixels, essentiellement des neurones artificiels qui forment un volume de matériau conçu qui calcule tout-opticalement. Chaque objet aura un chemin de lumière unique à travers les couches 3D fabriquées. Derrière les couches se trouvent plusieurs détecteurs de lumière, chacun précédemment assigné dans un ordinateur pour déduire ce qu'est l'objet d'entrée par l'endroit où la plupart de la lumière se termine après avoir voyagé à travers les couches. Par exemple, s'il est entraîné pour reconnaître des chiffres manuscrits, alors le détecteur programmé pour identifier un « 5 » verra la plupart de la lumière frapper ce détecteur après que l'image d'un « 5 » ait voyagé à travers les couches.

Amélioration de la précision : double détection

Les chercheurs de l'UCLA ont considérablement augmenté la précision du système en ajoutant un second ensemble de détecteurs au système, de sorte que chaque type d'objet est maintenant représenté avec deux détecteurs plutôt qu'un. Les chercheurs visaient à augmenter la différence de signal entre une paire de détecteurs assignée à un type d'objet. Intuitivement, cela est similaire à peser deux pierres simultanément avec les mains gauche et droite afin de différencier si elles sont de poids similaires ou différents.

Un tel système effectue des tâches d'apprentissage automatique avec l'interaction lumière-matière et la diffraction optique à l'intérieur d'une structure de matériau 3D fabriquée à la vitesse de la lumière et sans avoir besoin d'une puissance extensive, sauf pour la lumière d'illumination et le circuit de détecteur simple. Selon les chercheurs, cette avancée pourrait permettre des caméras intelligentes spécifiques à une tâche qui effectuent des calculs sur une scène en utilisant seulement des photons et l'interaction lumière-matière, la rendant extrêmement rapide et écoénergétique.

Résultats de test

Les chercheurs ont testé la précision de leur système en utilisant des ensembles de données d'images de chiffres manuscrits, d'articles de vêtements, et un ensemble plus large de divers véhicules et animaux connu sous le nom de jeu de données d'images CIFAR-10. Ils ont trouvé des taux de précision de reconnaissance d'image de 98,6 %, 91,1 % et 51,4 % respectivement.

Ces résultats se comparent très favorablement aux générations précédentes de réseaux de neurones profonds tout-électroniques. Bien que des systèmes électroniques plus récents aient de meilleures performances, les chercheurs suggèrent que les systèmes tout-optiques ont des avantages en vitesse d'inférence, faible puissance, et la capacité d'être mis à l'échelle pour accommoder et identifier beaucoup plus d'objets en parallèle.

Pour plus d'informations, contactez Amy Akmal à cette adresse e-mail protégée.