日本金澤大學理工研究域機械工學系的砂田哲教授與埼玉大學研究生院理工學研究科的内田淳史教授組成的聯合研究團隊，利用光波動的空間自由度，設計並試製了可在微小區域内高密度大量封裝光神經元的光電路，並證明利用這種光電路能以超快的速度和低耗電能實現儲備池計算。新開發的光電路可以形成空間連續分佈的光神經元「場」，原理上能實現以光波長尺度（數百奈米）的隔膜配置（虛擬）光神經元的安裝，研究證明，利用這種高密度性有望實現比最先進的光儲備池電路晶片快60倍以上的高速性，以及比電子電路高100倍以上的節能性。該成果有助於實現AI處理的超高速化和節能等。相關内容已發布在Optica上。
圖1：（a）儲備池計算的基本模型（b）此次研究提出的光儲備池計算電路的概念圖（供圖：金澤大學）
AI被應用於各種場合，其應用範圍不斷擴大，但在目前的計算技術下，AI處理需要消耗大量的計算資源和能源，因此需要開發能耗更低的新型計算。
利用光進行計算是備受期待的新技術之一。因為不同於以電子為資訊載體的技術，光不會因為布線電阻和容量等產生能源損耗，因此可以大幅削減耗電能，運算速度也是光速。
此前提出過多種光神經網路電路，但大多都是由一維光布線（單模波導）構成的，因此原理上很難在晶片上構成大規模的神經網路電路。
研究團隊利用散斑現象（向砂紙和玻璃等照射雷射時出現的閃閃發光的不規則斑點圖案），提出了著眼於光的波動性所帶來的高空間自由度的新型光神經網路電路。主要專注於在寬且空間廣闊的光布線（多模波導）中產生的散斑可以被視為虛擬的、在空間上連續分佈且擁有無限自由度的神經網路這一點。通過建立這種光神經元「場」並利用其高表現能力，有望實現神經網路處理。
此次，研究團隊製作了在硅晶片上整合生成光神經元場所需元素的新型光電路。製作的光電路可以在微型晶片上高密度地大規模安裝與根據螺旋型耦合多模導波結構隨機耦合的光神經元相對應的網路，通過將其用作資訊儲備池，能以高速、低延遲和低耗電能實現儲備池計算。
圖2：此次研究製作的光儲備池計算電路晶片（供圖：金澤大學）
儲備池計算是已被證明與小腦有相似性的新神經網路。模擬大腦的神經網路雖然可以進行高級處理，但計算可能會耗費較長時間，或者學習本身比較困難，而儲備池計算無需大量數據即可學習，具有學習簡單的特點。另外，還像循環神經網路那樣，擅長處理語音或股價等波動的時間序列數據。
事實上，研究團隊以每秒12.5千兆樣本的速率對混沌時間序列進行一步預測（相當於光自發執行每秒1peta次以上的乘積累加運算處理）發現，擁有比最先進的光電路高60倍以上的計算處理能力。利用光通信領域採用的光波分多工法還有望進一步提高速度。另外，這種神經網路運算所需的能源僅為入射光功率，具有無需調整光網路，也無需布線的優點等，因此單次乘積累加運算的能耗遠遠低於現有電路，據估算隻需0.15飛焦。
雖然目前尚處於原理驗證階段，但是希望通過進一步改良光電路晶片，將來有望成為可利用在光晶片上整合100萬個以上光神經元的光儲備池計算，瞬間識別並判斷高級任務的實用技術。
原文：《科學新聞》
翻譯編輯：JST客觀日本編輯部
