Schwerpunkte

Maschinelles Lernen

WWU untersucht photonische Strukturen zur Mustererkennung

11. Januar 2021, 14:00 Uhr   |  Stefanie Eckardt

WWU untersucht photonische Strukturen zur Mustererkennung
© WWU | AG Pernice

Schematische Darstellung eines Prozessors für Matrixmultiplikationen, der mit Licht arbeitet. Die Wellenleiterkreuzungsstruktur ermöglicht zusammen mit einem optischen Frequenzkamm hochparallele Datenverarbeitung.

Auf dem Weg zum automatisierten Fahren fallen riesige Datenmengen an, die oftmals die Kapazitäten der Prozessoren überschreiten. Die Westfälische Wilhelms-Universität Münster entwickelt mit einem internationalen Forscherteam neue Ansätze und Prozessorarchitekturen, die dem gewachsen sind.

Lichtbasierte Prozessoren zur Beschleunigung von Aufgaben im Bereich des maschinellen Lernens erlauben komplexe Rechenaufgaben mit hohen Geschwindigkeiten (10¹² bis 10¹⁵ Operationen pro Sekunde – also eine Billion bis eine Billarde) zu verarbeiten. Herkömmliche Chips, wie Grafikkarten oder spezielle Hardware wie die Tensor Processing Unit (TPU) von Google basieren auf einer elektronischen Datenübertragung und sind wesentlich langsamer. Das Forscherteam des Physikalischen Instituts und dem Center for Soft Nanoscience der Westfälischen Wilhelms-Universität Münster (WWU) implementierte einen Hardware-Beschleuniger für Matrixmultiplikationen, die die Hauptrechenlast in der Berechnung von neuronalen Netzen darstellen.

Die Wissenschaftler kombinierten die photonischen Strukturen mit Phasenwechselmaterialien (PWMs) als energieeffiziente Speicherelemente. PWMs werden üblicherweise in der optischen Datenspeicherung mit DVDs oder Blu-Rays eingesetzt. Im vorgestellten Prozessor ermöglicht das die Speicherung und den Erhalt der Matrixelemente, ohne die Notwendigkeit Energie zuzuführen. Als Lichtquelle wird ein Chip-basierter Frequenzkamm genutzt. Ein Frequenzkamm bietet verschiedene optische Wellenlängen, die unabhängig voneinander im selben System verarbeitet werden. Dadurch ergibt sich eine parallele Datenverarbeitung; auch Wellenlängenmultiplexverfahren genannt.

Im Experiment verwendeten die Physiker ein Convolutional Neural Network, auf Deutsch ein faltendes neuronales Netzwerk, zur Erkennung handgeschriebener Ziffern. Bei diesen Netzwerken handelt es sich um ein von biologischen Prozessen inspiriertes Konzept im Bereich des maschinellen Lernens. Anwendung finden sie vor allem bei der Verarbeitung von Bild- oder Audiodaten, da sie aktuell die höchsten Klassifizierungsgenauigkeiten erreichen. »Die Faltungsoperation zwischen Eingangsdaten und einem oder mehreren Filtern, die zum Beispiel eine Hervorhebung von Kanten in einem Bild sein kann, lässt sich sehr gut auf unsere Matrixarchitektur übertragen. Das Ausnutzen von Licht für die Signalübertragung erlaubt dem Prozessor eine parallele Datenverarbeitung durch Wellenlängenmultiplexen, die zu einer höheren Rechendichte führt. Dabei werden viele Matrixmultiplikationen in nur einem Zeitschritt durchgeführt. Anders als bei herkömmlicher Elektronik, die üblicherweise im niedrigen Gigahertz-Bereich arbeitet, können optisch Modulationsgeschwindigkeiten im Bereich von 50 bis 100 GHz realisiert werden«, erklärt Johannes Feldmann, Erstautor der Studie. Das Verfahren ermöglicht somit bisher unerreichte Datenraten und Rechendichten, also Operationen pro Prozessorfläche.

Die Ergebnisse sind vielfältig einsetzbar: Im Bereich der künstlichen Intelligenz können mehr Daten zeitgleich und energieeffizient verarbeitet werden. Der Einsatz von größeren neuronalen Netzen erlaubt zudem genauere und bisher unerreichte Vorhersagen sowie präzisere Datenanalysen. Beispielsweise lassen sich photonische Prozessoren beim autonomen Fahren nutzen, das auf eine schnelle und genaue Auswertung der Sensordaten angewiesen ist.

Auf Facebook teilenAuf Twitter teilenAuf Linkedin teilenVia Mail teilen

Das könnte Sie auch interessieren

Neues In­sti­tut zur Si­cher­heit künst­li­cher In­tel­li­genz
Blaize bringt erste offene und codefreie KI-Software-Plattform
Robo-Taxi mit ZF-Technik ausgestattet
ASAP gründet neue Gesellschaft ASAP Engineering Bodensee
Fraunhofer-Mikroscannerspiegel erfasst Reichweiten von 200 m
Mercedes-Benz EQS mit neuem MBUX Hyperscreen

Verwandte Artikel

Universität Münster, IBM Deutschland GmbH