Die Cornell University Hat Einen „Mikrowellen-Gehirn“-Chip Entwickelt, Der Ultraschnelle Daten Und Drahtlose Kommunikationssignale Gleichzeitig Verarbeitet Und Dabei Eine Genauigkeit Von 75% Bei 176 Milliwatt Leistung erreicht.
Anwendungen mit hoher Bandbreite verändern das Gefüge der modernen Gesellschaft auf unsichtbare, aber tiefgreifende Weise und schaffen ein „unsichtbares Netzwerk“ effizienter Abläufe in verschiedenen Sektoren, darunter der digitalen Wirtschaft, öffentlichen Diensten und der industriellen Modernisierung. Vom länderübergreifenden Einkaufen mit einem einfachen Fingertipp bis hin zu immersivem Cloud-Gaming: Diese scheinbar alltäglichen Erlebnisse sind auf die zuverlässige Unterstützung von Hochgeschwindigkeits-Rechenzentren angewiesen – und eine hohe Bandbreite ist der Schlüssel zu deren effizientem Betrieb.
Allerdings wird die für bandbreitenintensive Anwendungen erforderliche Hochleistungsrechnertechnik immer teurer. Die erforderlichen Abtast- und Verarbeitungstaktraten werden sowohl durch die Halbleiterphysik als auch durch Leistungsbeschränkungen begrenzt. Höhere Taktraten erhöhen daher den Stromverbrauch und die Wärmeableitung. In herkömmlichen elektronischen Signalverarbeitungsketten in Rechenzentren beispielsweise müssen Signale bei der Übertragung durch verlustbehaftete Medien präzise getaktet und abgetastet werden. Komplexe Synchronisationsschaltungen werden dann eingesetzt, um die Übertragung zu rekonstruieren und die Integrität wiederherzustellen, um eine präzise Übermittlung an den nächsten Knoten zu gewährleisten. Dieser Prozess erfordert umfangreiche, stromhungrige Parallelverarbeitung, was einen kritischen Engpass darstellt, der Effizienzsteigerungen einschränkt.
Die Deep-Learning-Technologie bietet neue Erkundungsrichtungen für Anwendungen mit hoher Bandbreite.Aktuelle Lösungen, die analoge Computermodelle mit Deep Learning kombinieren, zielen jedoch im Allgemeinen nur auf Anwendungen mit geringer Bandbreite ab, wie etwa Bilder, Sprache oder Gesten.Obwohl für hohe Bandbreiten ausgelegte Mikrowellen-Photonikchips entwickelt wurden, sind sie auf einige wenige feste Datenfunktionen beschränkt und weisen Probleme wie große Größe und geringe Energieeffizienz auf.
Um dieses Dilemma zu lösen, schlug ein Team der Cornell University ein Mikrowellen-Neurales Netzwerk (MNN) vor – einen integrierten Schaltkreis, der gleichzeitig ultraschnelle Daten und drahtlose Kommunikationssignale verarbeiten kann. MNNs verarbeiten spektrale Komponenten, indem sie die Eigenschaften informationsarmer, aber breitbandiger Eingabedaten erfassen.Sein Vorteil besteht darin, dass er Signale im Bereich von mehreren Gigahertz (GHz) programmierbar verarbeiten kann und dabei nur eine langsame Steuerung im Megahertz-Bereich (MHz) erfordert.Die starke Nichtlinearität der gekoppelten Mikrowellenschwingungen wird dann ausgenutzt, um die berechneten Ergebnisse in einem schmalen Spektrum auszudrücken und so die elektronische Ausgabe zu erleichtern. In der Nachbearbeitung kann dies mithilfe eines linearen Regressionsmodells in eine binäre Ausgabe abgebildet werden.
Darüber hinaus zeichnet sich MNN durch beispiellose Integrationsmöglichkeiten aus. Hergestellt in der Standard-CMOS-Technologie (Complementary Metal Oxide Semiconductor), nimmt es eine Chipfläche von nur 0,088 mm² ein und verbraucht weniger als 200 mW Leistung, was die direkte Integration in universelle Analogprozessoren ermöglicht.
Die entsprechenden Forschungsergebnisse wurden in Nature Electronics unter dem Titel „An integrated microwave neural network for broadband computation and communication“ veröffentlicht.
Forschungshighlights:
* Erforschung, Entwicklung und Herstellung des ersten integrierten Schaltkreises mit geringem Stromverbrauch, der gleichzeitig ultraschnelle Daten und drahtlose Kommunikationssignale verarbeiten kann. Dabei wurde das traditionelle digitale Schaltkreiskonzept durchbrochen und die Prinzipien der Mikrowellenphysik genutzt, um Rechenleistungen zu erzielen.
Im Gegensatz zu herkömmlichen neuronalen Netzwerken, die auf digitalen Uhren basieren, nutzen MNNs analoges, nichtlineares Verhalten bei Mikrowellenfrequenzen, können Datenströme mit mehreren zehn Gigahertz verarbeiten, verbrauchen weniger als 200 Milliwatt Strom und haben eine Genauigkeit von 88%.
* Breites Spektrum an Anwendungsszenarien, darunter Radarverfolgung, tragbare Smartgeräte (wie Smartwatches) und andere unterschiedliche Bereiche, die stromsparende, leistungsstarke und leichte Lösungen für Anwendungen mit hoher Bandbreite bieten
Papieradresse:
Folgen Sie dem offiziellen Konto und antworten Sie mit „Microwave Neural Network“, um das vollständige PDF zu erhalten
Weitere Artikel zu den Grenzen der KI:
Trainingsdatengenerierung: maßgeschneidert für mehrere Aufgaben
Beim Training des digitalen Simulations-Backends enthält die vom MNN ausgegebene Spektraldateninformation Informationen, die aus der ursprünglichen Eingabe extrahiert wurden, und nicht eine direkte digitale Ausgabe. Zu diesem Zweck verwendeten die Forscher ein lineares Regressionsmodell, um die 625 gemessenen Frequenzen innerhalb einer reduzierten Bandbreite zu verarbeiten und diese Merkmale auf die endgültige Ausgabe abzubilden.
Um den optimalen parametrisierten Bitstream zu erhalten, wählten die Forscher anschließend zufällig parametrisierte Bitstreams aus und führten sie im Experiment aus. Dabei wählten sie letztendlich die Option mit der besten Verifizierungsleistung/Genauigkeit für jede Aufgabe aus. Im Folgenden sehen Sie den Datenaufbau für die Optimierung und Auswertung spezifischer Aufgaben:
* In Bezug auf die lineare Suche und die Simulation bedingter Algorithmen,Jeder parametrisierte Bitstream enthält einen Datensatz von 500 zufällig generierten 32-Bit-Sequenzen. In einer zehnfachen Kreuzvalidierung wurde der Datensatz in zehn Teile aufgeteilt, wobei neun Teile abwechselnd für das Training und einer für die Validierung verwendet wurden. Zum Einsatz kam eine lineare Support Vector Machine (SVM) aus dem Softwarepaket sklearn mit maximal 5.000 Iterationen, einer quadrierten Hinge-Loss-Funktion und einem Regularisierungsparameter von C=0,02. Die Tests wurden an 40 parametrisierten Bitstreams durchgeführt.
* Bitanzahl,Ähnlich wie Linear Search, aber mit maximal 10.000 Iterationen und einem Hyperparameter-Sweep von C von 0,02 bis 0,22, wobei eine Klassifizierungsaufgabe mit 32 Klassen mit Beschriftungen aus dem Linear Search-Datensatz erstellt wird.
* In Bezug auf grundlegende Bitoperationen (AND NOT, XOR und NOR),Ein lineares Modell wurde mittels stochastischem Gradientenabstieg mit einem logistischen Verlust und einer L1-Regularisierungsstärke von 0,3 angepasst. Der Datensatz bestand aus 500 zufällig generierten 32-Bit-Sequenzen, davon 16 mit festen Label-Bits. Mittels 10-facher Kreuzvalidierung bestand die Aufgabe darin, für jedes Ausgabebit eine Multi-Label-Klassifizierung durchzuführen und an 120 parametrisierten Bitströmen zu testen.
* In Bezug auf die Kodierungsklassifizierung,Es wurde der Datensatz RadioML2016.10A verwendet, aufgeteilt in Trainings- und Validierungssätze im Verhältnis 8:2. Ein einschichtiges lineares Modell wurde in PyTorch mit Kreuzentropieverlust trainiert und anschließend mit AdamW (Lernrate 0,05, Gewichtsabnahme 0,03, Batchgröße 128 und Abnahmefaktor 0,98) für 150 Epochen optimiert. Während des Trainings wurden die Daten mit Gaußschem Rauschen (Standardabweichung 0,01) erweitert und an 13 parametrisierten Bitströmen getestet.
Bei der Evaluierung der MNN-Radarmission nutzten die Forscher ein digitales neuronales Netzwerk-Backend zur Vorhersage von Zielflugmustern. Jede Erfassung lieferte ein 2-GHz-Breitbandspektrum. Die Eingabe für jedes Szenario war (L, S), wobei L = 1000 Erfassungen (die Gesamtzeitspanne des Szenarios) und S die Spektrumgröße ist. Anschließend nutzten die Forscher eine tiefe ResNet-Architektur, um die MNN-Ausgabespektrumdaten direkt zu verarbeiten.
ResNet besteht aus einer zweifachen Downsampling-Pooling-Schicht und einem Residual-Branch mit zwei Convolutional-Schichten (Kernelgröße 3). Zwischen den Convolutions werden Batch-Normalisierung, gleichgerichtete lineare Einheitenaktivierung und Random-Dropout-Regularisierung verwendet.
Um das Modell zu trainieren, kombinierten die Forscher eine Bitstream-Suche mit einem neuronalen Backend-Netzwerk, das anhand experimenteller Ergebnisse trainiert wurde, um die gewünschten Klassifizierungsergebnisse zu erzielen. Die Forscher wählten die Bitstreams mit der höchsten Genauigkeit bei der Objektzählaufgabe aus und sammelten experimentelle Daten aus 500 Flugszenarien, um das endgültige Modell zu trainieren. Um das Backend zu trainieren, optimierten die Forscher das Modell mithilfe von Kreuzentropieverlust, binärem Kreuzentropieverlust und mittlerem quadratischen Fehlerverlust.
Um die Generalisierungsleistung zu verbessern, nutzten die Forscher schließlich eine Datenerweiterung, die zufällige Verschiebung, zufällige Verzerrung, zufälliges Rauschen und zufällige Maskierung umfasste. Alle Erweiterungsoperationen wurden mit einer Wahrscheinlichkeit von 20% auf jede Stichprobe angewendet.
Modellarchitektur und Methoden: Sofortige Berechnung mittels nichtlinearer Systeme
Die Gesamtstruktur des MNN-Mikrochips ist in der folgenden Abbildung dargestellt. Als stromsparender, leichter integrierter Schaltkreis, der sowohl ultraschnelle Daten als auch drahtlose Kommunikationssignale verarbeiten kann, bezeichnet ihn das Forschungsteam als „ein Computersystem nach dem Vorbild des Gehirns“.Sein Kern besteht aus einem nichtlinearen Wellenleiter (gekennzeichnet als A) und drei linearen Wellenleitern (gekennzeichnet als B, C und D) sowie einer Verstärkungseinheit (gekennzeichnet als E) und einem Koppler (gekennzeichnet als F).
Genauer gesagt handelt es sich beim MNN um ein nichtlineares System (siehe Abbildung unten zur Funktionsweise). Es speist Gigahertz-Signale über GSGSG-Wellenleiter (Masse-Signal-Masse-Signal-Masse) ein. Ein Miniatur-Quadratur-Hybridkoppler aus zwei überlappenden Metallschichten verteilt die Leistung dieser Eingangssignale auf die einzelnen Wellenleiter. Diese kleineren Anteile des Antriebssignals werden dann von den Wellenleitern reflektiert und am Ausgangsport des Kopplers addiert, bevor sie über einen weiteren Satz GSGSG-Wellenleiter extrahiert werden.
Unter diesen wird die Frequenz des nichtlinearen Wellenleiters stark von der Amplitude und Phase des einfallenden Mikrowellen-Antriebssignals beeinflusst; der lineare Wellenleiter wird davon nicht beeinflusst und bietet einen stabilen Resonanzmodus.
Die primäre eingangsempfindliche Quelle sind die kaskadengekoppelten nichtlinearen Resonatoren im Wellenleiter A. Diese Resonatoren bestehen aus einer Kombination nichtlinearer Kondensatoren und Induktivitäten. Antiparallele Dioden erzeugen Kapazitäten mit polynomischer Nichtlinearität, deren Grad von der Vorspannung und der Mikrowellensignalstärke abhängt. Der lineare Wellenleiter ist eine Übertragungsleitung mit einstellbarer Länge. Entlang der Leitung installierte Schalter ermöglichen die Anpassung der Länge des Mikrowellensignal-Rückwegs ohne Verzerrung.
Noch wichtiger ist,Die parametrische (zeitvariable) Kopplung wird durch ein Schalterpaar (Spar) hergestellt, das zwischen den gepaarten Wellenleitern angeschlossen ist. Diese Schalter bestehen aus N-Typ-Metalloxid-Halbleiter-Transistoren (NMOS).Die Schalter werden durch einen Bitstrom gesteuert, der nur ein Hundertstel der Geschwindigkeit der Eingangsdaten (150 Mbit/s) beträgt und über einen dritten GSGSG-Wellenleiter übertragen wird. Diese Sequenz der Ein-Aus-Parameterkopplung ist der Schlüssel zur dynamischen Neuprogrammierung der Muster des neuronalen Netzwerks für verschiedene Rechenaufgaben.
Um die durch die Mikrowellenübertragung mit hoher Amplitude verursachte Nichtlinearität in der Schaltung aufrechtzuerhalten, wird schließlich ein kreuzgekoppeltes Transistorpaar unter Verwendung von NMOS-Transistoren mit dünner Gate-Oxid-Elektrode in der Leistungsverstärkerstufe untersucht, um eine regenerative Sättigungsverstärkung bereitzustellen.
Dieses Design unterscheidet sich von herkömmlichen CMOS-Oszillatoren, komplexen Impulsschärfungsschaltungen für die Spektralanalyse und Designs, die Schmalbandkämme durch passiv gekoppelte Resonatoren mit hohem Qualitätsfaktor erzeugen.Dabei wird kommerzielle CMOS-Technologie verwendet, wobei die gekoppelten Wellenleiter absichtlich Eingangsmikrowellen ausgesetzt werden und die Nichtlinearitäten und Asymmetrien innerhalb des Resonators ausgenutzt werden, um nahezu augenblickliche Berechnungen zu erreichen.
Versuchsaufbau und Ergebnisse: Die höchste Klassifizierungsgenauigkeit kann 88% erreichen, bei einem Stromverbrauch von weniger als 200 mW
Im ExperimentDie Forscher dachten, es könnte hilfreich sein, die Schaltkreise auf ihre grundlegendsten Komponenten zu vereinfachen.Indem der lineare Wellenleiter stark von der Nennschwingungsfrequenz des Wellenleiters A verstimmt wird, wird die Anzahl der physikalischen Schaltungsparameter reduziert.
Bei der Modellierung der nichtlinearen Dynamik in MNNs nutzten die Forscher die verallgemeinerte Theorie gekoppelter Moden, um die MNN-Schaltkreisanalyse zu vereinfachen und sie auf ein gekoppeltes Modell zu reduzieren. Der lineare Resonator wird zu einem LC-Schwingkreis vereinfacht, dessen Eigenfrequenz durch Anpassung der Übertragungsleitungslänge mithilfe von Schaltern verändert wird. Der nichtlineare Wellenleiter besteht aus polynomischen nichtlinearen Kondensatoren. Verluste im Schaltkreis werden durch gesättigte Verstärkungselemente kompensiert, die durch kreuzgekoppelte Transistorpaare mit zeitveränderlicher Kopplung implementiert werden.
Anschließend wurden die experimentellen Parameter weiter vereinfacht.Der Schwerpunkt liegt auf der Interaktion nichtlinearer verteilter Resonanzen und linearer Resonatoren, die die parametrisch angesteuerten Schalter als abstimmbare Kondensatoren darstellen.Die nichtlineare Dynamik der vereinfachten Schaltung wird durch eine Reihe gekoppelter Modi dargestellt, darunter die Kopplung zwischen dem nichtlinearen und dem linearen Resonator, die internen Verluste und die Wechselwirkung mit dem Eingangstreiber. Diese Dynamik wird durch die nichtlinearen Vorspannungsanfangsbedingungen, den Mikrowellentreiber und den langsamen Parameter-Bitstrom beeinflusst.
Für die Schaltungssimulation und das Layout entwarfen und simulierten die Forscher einen CMOS-Chip mithilfe eines Transistormodells auf Basis des 45-nm-RF-Silicon-on-Insulator-Prozesses von GlobalFoundries in der Cadence Virtuoso-Umgebung. Sie nutzten das Calibre-Tool von Siemens zur Ermittlung parasitärer Widerstände und Kapazitäten sowie das elektromagnetische 2.5D-EMX-Tool zur Simulation des Layouts von Wellenleitern, Kopplern und Übertragungsleitungen, um die Hochfrequenzleistung präzise zu modellieren.
Bei der Simulation digitaler Hochgeschwindigkeitssignale mithilfe von Mikrowellenschaltungen handelt es sich bei digitalen Signalen mit Gigabit-Rate, die aus Rechtecksignalen bestehen, im Wesentlichen um analoge Signale mit einem Spektrum, das mehrere zehn Gigahertz umfasst.Es wird gezeigt, dass MNN die Eigenschaften von Mikrowellenschaltungen ausnutzen kann, um Berechnungen direkt im Frequenzbereich durchzuführen.Dies steht im krassen Gegensatz zu herkömmlicher digitaler Hardware, die im Zeitbereich arbeitet. Bei der Signalverarbeitung präsentieren MNNs ihre Ausgaben in einem schmalen Frequenzband mit spezifischen Schwingungsmustern. Dadurch entfällt die Notwendigkeit, die Signalintegrität im Zeitbereich strikt einzuhalten, und sie können Merkmale aus einer großen Bandbreite des Eingangssignals erfassen. Dadurch reduziert sich die Anzahl der komprimierten Merkmale, die zum Trainieren eines einschichtigen digitalen neuronalen Netzwerks erforderlich sind.
Die folgende Abbildung zeigt die Simulation ultraschneller digitaler Berechnungen ohne den Einsatz digitaler CMOS-Schaltungen mit fester Funktion. Ein 32-Bit-Bitstream wird mit 150 Mbit/s eingegeben, die nichtlineare Resonanz reagiert schnell, und der Spektrumanalysator zeichnet die Ausgabe auf und mittelt sie, um zuverlässige Fourier-Transformationen zu gewährleisten. Die Berechnungseigenschaften konzentrieren sich auf den Bereich von 10 bis 14 GHz (entsprechend den X-Band- und Ku-Band-Frequenzen für die Satellitenkommunikation).
Die Ergebnisse zeigen, dass die Anpassung des Inhalts eines 150 Mbit/s 32-Bit-Parameter-Bitstroms und die Extraktion spezifischer spektraler Merkmale korrekte Ergebnisse für digitale Logikoperationen wie 8-Bit-NAND-Operationen liefern können, wobei die beste gemessene Genauigkeit trotz verlustbehafteter Übertragungskabel etwa 85% erreicht. Darüber hinaus erreichte ein Totalzähler (eine Schaltung, die die Anzahl der Einsen in einem Eingangs-Bitstrom zählt), bestehend aus Hunderten von Logikgattern, eine Genauigkeit von 81% im Validierungssatz, indem dieses Verhalten mit einem parametrisierten Bitstrom simuliert und die Ausgabe durch eine lineare Schicht abgebildet wurde.Dies zeigt, dass seine Rechenleistung durch die zunehmende Komplexität der äquivalenten digitalen Schaltung nicht wesentlich abnimmt.
Darüber hinaus hat sich gezeigt, dass MNN eine Bitsequenzsuche in 10-Gbit/s-Datenströmen mit sehr hoher Genauigkeit durchführt und damit eine Alternative zur leistungsstarken Maximum-Likelihood-Sequence-Detection-Technologie (MLSD) darstellt, die in der herkömmlichen Kommunikation verwendet wird.Durch die Kombination von Such- und technischen Funktionen hat MNN inzwischen erfolgreich einen bedingten Algorithmus simuliert und die Genauigkeit von 75% erreicht, während der Stromverbrauch unter 200 mW (176 mW) gehalten wurde.
Bei der Radarzielerkennung haben Forscher festgestellt, dass die Fähigkeit des MNN, subtile Frequenzänderungen zu erkennen, sich hervorragend für Breitbandradaranwendungen eignet. Diese Studie simulierte ein Luftraumszenario mit mehreren Flugzeugen, die auf unterschiedlichen polygonalen Flugbahnen flogen. Die Radarreflexionssignale wurden aufgezeichnet und in analoge Spannungswellenformen umgewandelt. Die Rechteckwellen wurden dann auf ihre Mittenfrequenz moduliert und in das MNN eingespeist. Die durchschnittliche Ausgangsreaktion im Frequenzbereich von 8 bis 10 GHz wurde extrahiert, und das digitale neuronale Netzwerk-Backend wurde verwendet, um die Flugbahn abzuleiten. Dies ist in der folgenden Abbildung dargestellt:
Die Ergebnisse zeigen, dass nach der Simulation von 500 Flugszenarien festgestellt wurde, dass MNN Flugmuster erlernen kann, indem es unterschiedliche Reaktionen auf über einen langen Zeitraum erfasste Frequenzänderungen bildet und so das Zielflugmuster charakterisiert. MNN kann nicht nur die Anzahl dynamischer Ziele vorhersagen, spezifische Zielbewegungen isolieren und die Zielgeschwindigkeit schätzen,Es kann auch eine Vielzahl polygonaler Flugbahnen erkennen und in Szenarien mit unterschiedlicher Flugzeuganzahl hohe F1-Wertungen erzielen.
Bei der Klassifizierung drahtloser Signale testeten die Forscher die Fähigkeit des MNN, Signale mit der niedrigsten Frequenz zu verarbeiten, und untersuchten seine Anwendung bei der Identifizierung von Kodierungsschemata für die drahtlose Kommunikation. Das Experiment verwendete den Datensatz RadioML2016.10A, der elf Modulationsarten (neun digitale und zwei analoge) umfasst. Verschiedene Basisbandsignale modulierten einen 50-MHz-Träger und speisten ihn dann in das MNN ein. Das MNN nutzte seine Sensibilität, um die transienten Transformationen des niederfrequenten Antriebssignals in beobachtbare Merkmale umzuwandeln. Merkmale wurden im Bereich von 8–8,5 GHz extrahiert, um die lineare Back-End-Schicht zu trainieren.
Die Ergebnisse zeigen, dass einige Parameter es MNN ermöglichen können, bei Modulationsklassifizierungsaufgaben eine sehr hohe Genauigkeit zu erreichen, und dass die Genauigkeit bei der Klassifizierung von drahtlosen Signalen 88% erreichen kann, was mit digitalen neuronalen Netzwerken vergleichbar ist.Dies zeigt, dass MNN eine wichtige Rolle als Deep-Learning-Beschleuniger im Edge-Computing spielen kann und nicht nur das, sondern auch die Modellgröße erheblich reduzieren kann.
Deep Learning und Analog Computing haben großes Potenzial
Wie eingangs erwähnt, eröffnet die kontinuierliche Weiterentwicklung der Deep-Learning-Technologie neue Wege für Anwendungen mit hoher Bandbreite. Bereits vor dieser Studie hatten zahlreiche Institutionen dieses Feld erforscht und zahlreiche Forschungsergebnisse veröffentlicht. Diese Erfolge legten den theoretischen und praktischen Grundstein für die kontinuierliche Weiterentwicklung und Innovation der Integration von Analog Computing und Deep Learning.
So wurde beispielsweise in der gemeinsam von einem Team der Cornell University und einem Team der University of Maryland veröffentlichten Arbeit „Microwave signal processing using an analog quantum reservoir computer“ vorgeschlagen, dassKontinuierliche Simulation der Quanten-Nichtlineardynamik unter Verwendung supraleitender Mikrowellenschaltungen als Quantenreservoirs,Diese Methode kann analoge Mikrowellen-Eingangssignale direkt und ohne Diskretisierung verarbeiten, und das kontinuierliche Variablensystem ermöglicht dem Quantenreservoir den Zugriff auf einen größeren Hilbert-Raum. Im Gegensatz zu früheren Experimenten auf Basis digitaler Quantenschaltkreise kann diese Methode schwache analoge Mikrowellensignale direkt empfangen und ihre Merkmale extrahieren, wodurch der Eingangsengpass überwunden wird.
Papieradresse:
https://www.nature.com/articles/s41467-024-51161-8
Ein weiteres Beispiel ist eine Studie mit dem Titel „Höherdimensionale Verarbeitung mithilfe eines photonischen Tensorkerns mit kontinuierlichen Daten“, die gemeinsam von Teams der Universität Oxford, der Universität Münster und der Universität Exeter veröffentlicht wurde.Darunter wird eine Methode vorgeschlagen, bei der mithilfe einer kontinuierlichen Datendarstellung drei Freiheitsgrade entwickelt werden: Raum, Wellenlänge und Radiofrequenz, und eine Matrix-Vektor-Multiplikationsberechnung (MVM) für dreidimensionale Array-Eingaben realisiert wird.Das photonische Speicherrechnen wird durch einen elektrooptisch gesteuerten photonischen Tensorkern und einen rekonfigurierbaren nichtflüchtigen Phasenwechselmaterialspeicher erreicht. Die Systemparallelität beträgt bis zu 100 und ist damit zwei Größenordnungen höher als bei der vorherigen Implementierung mit nur zwei Freiheitsgraden. Dies bestätigt die Machbarkeit der Erweiterung des photonischen Speicherrechnens um Radiofrequenz-Freiheitsgrade.
Papieradresse:
https://www.nature.com/articles/s41566-023-01313-x
Das von der Cornell University vorgeschlagene MNN fördert die Integration von analogem Computing und Deep Learning in Szenarien mit hoher Bandbreite weiter.Es ist nicht auf digitale Uhren angewiesen und nutzt die Prinzipien der Mikrowellenphysik, um eine ultraschnelle Signalverarbeitung zu erreichen.Es überwindet nicht nur die Einschränkungen herkömmlicher digitaler Schaltkreise hinsichtlich Stromverbrauch und Bandbreite, sondern demonstriert auch das Potenzial analoger Berechnungen bei komplexen Aufgaben. Von der Radar-Flugbahnverfolgung bis zur Klassifizierung drahtloser Signale bietet MNN mit seinen Vorteilen des geringen Stromverbrauchs und der geringen Größe ein neues Paradigma für Edge Computing, Hochgeschwindigkeitskommunikation und andere Bereiche.
Mit der Entwicklung von Technologien wie der dynamischen Parameteranpassung und dem gemeinsamen End-to-End-Training dürfte die Integration von analogem Computing und Deep Learning künftig weitere Engpässe bei Bandbreite und Effizienz überwinden und einen breiteren Anwendungsbereich für hochmoderne Bereiche wie die ultraschnelle Datenverarbeitung und Millimeterwellenkommunikation eröffnen.Erhalten Sie mit einem Klick hochwertige Papiere und ausführliche Interpretationsartikel im Bereich AI4S von 2023 bis 2024 ⬇️
