Суперсила фотонного вычислителя

Гиперспектральная съемка видит то, что скрыто от человеческого глаза, но плата за эту «суперсилу» — терабайты данных, которые обычные процессоры переваривают минутами. Ученые Самарского университета имени Королева предлагают радикально иной путь: вместо того чтобы гнаться за тактовой частотой, они заставляют работать сам свет.

Выйти из полноэкранного режима

Развернуть на весь экран

Их аналоговая фотонная система, разработанная при поддержке Министерства науки и «Росатома» в рамках программы Национального центра физики и математики, не складывает биты, а перераспределяет поток фотонов через дифракционную нейросеть. Свет проходит систему за наносекунды, но для получения результата обработки приходится подождать несколько миллисекунд, пока светочувствительная матрица зарегистрирует результат.

В 2024 году коллектив под руководством профессора Романа Скиданова не только создал экспериментальный образец, но и совершил, казалось бы, парадоксальный рывок: упростил конструкцию, убрав лишнюю оптику, и при этом поднял точность распознавания почти до 100%, а энергоэффективность — в полтора раза. И сейчас, когда мир задыхается от энергопотребления дата-центров ИИ, а зарубежные GPU становятся недоступными, эта разработка выглядит не просто альтернативой, а возможным ответом на вызовы времени.

Об этом и не только — в интервью «Ъ-Наука» с доктором физико-математических наук, профессором кафедры технической кибернетики Самарского университета имени Королева Романом Скидановым.

— Идее оптических вычислений уже почти 70 лет, а в 80-х их забросили. Что именно изменилось сегодня, помимо миниатюризации, что заставило вернуться к этой технологии именно сейчас, на пике цифровой эры?

— В 80-х отнюдь не забросили: оптические корреляторы широко использовались вплоть до начала ХХI века. С увеличением производительности ЭВМ эти системы заменялись. Но с учетом закрытости отрасли нельзя исключать, что подобные корреляторы используются до сих пор. Современный всплеск интереса связан с новой интерпретацией прохождения света через систему транспарантов как работу нейронной сети.

— Чем ваша аналоговая фотонная система принципиально отличается от цифровых фотонных чипов, которые сейчас разрабатывают на Западе? Почему вы выбрали аналоговый путь, а не цифровой?

— На Западе и на Востоке разрабатываются в том числе системы, подобные нашей, то есть аналоговые и объемные. Что касается конфигурации на чипе, то пока из-за отсутствия фотонных транзисторов и полноценной оптической оперативной памяти создание фотонного компьютера классического типа невозможно. Современные фотонные чипы, как правило, это только дополнение к классическим электронным процессорам. Оптикой, например, решается задача передачи информации внутри процессора. Что касается нашей системы, то она заточена исключительно на реализацию дифракционных нейронных сетей, а нейронная сеть изначально является аналоговой структурой и переход в цифру необязателен.

— Что физически происходит внутри вычислителя при обработке гиперспектрального изображения? Если цифровой процессор складывает биты, то что делают фотоны, чтобы прийти к результату «это заданный объект»?

— Фотоны внутри вычислителя делают единственное, что могут: они распространяются в оптической системе, в которой установлен специальный транспарант — дифракционная нейронная сеть, задача которой — распределить поток фотонов правильным образом на выходе вычислителя, в зависимости от входного сигнала. На выходе вычислителя есть набор зон регистрации, которые можно рассматривать как выходной нейронный слой. Далее можно осуществлять процесс классификации просто по максимуму сигнала в выходном нейронном слое или использовать этот слой как входной в небольшой электронной нейронной сети.

— Вы перешли от амплитудной модуляции к фазовой, упростив конструкцию и повысив точность распознавания почти на 1% — до экспертного уровня. В цифровом мире такой прирост обычно требует гигантских объемов данных, а здесь вы связываете его с изменением физики самого прибора. Не могли бы подробнее объяснить, как отказ от дополнительных оптических элементов при фазовом вводе позволил вам приблизить реальный вычислитель к расчетной модели и за счет чего именно был достигнут этот скачок в качестве?

— Задача была не повысить точность как таковую, а уменьшить снижение точности в реальном вычислителе по сравнению с моделью. Входной пространственный модулятор света является принципиально фазовым устройством. Для превращения его в амплитудное устройство добавляется два оптических элемента. При фазовом вводе их нет, как нет и искажений, связанных с этими элементами. Таким образом, результат получается существенно ближе к расчетному.

— Вы говорите, что скорость ограничена лишь устройствами ввода—вывода. Значит ли это, что задержка в системе фактически равна времени пролета фотона (наносекунды) и мы достигли физического предела быстродействия?

— Время прохождения света через систему — примерно 1 нс, но основная задержка в системе равна времени, которое устройства ввода—вывода тратят на один цикл. Так, жидкокристаллические модуляторы света тратят на один цикл 17 мс, примерно это же время цикла регистрации и у камер. Если мы оставим вместо жидкокристаллических модуляторов микрозеркальные модуляторы, то длительность цикла сократится примерно до 0,1 мс, то есть фактически производительность вычислений увеличится в 170 раз. Но микрозеркальные модуляторы производятся только одной фирмой в мире — Texas Instruments.

— Вы работаете над мобильной платформой. Какое главное физическое ограничение вы преодолеваете при миниатюризации, ведь в оптике есть законы дифракции и требования к длине пути?

— В мобильной платформе предполагается вместо использования для реализации дифракционной нейронной сети вместо пространственного модулятора света статичный дифракционный оптический элемент. Таким образом, у нас существенно уменьшается размер дифракционного нейрона. Если в модуляторе использовались нейроны размером 3,53,5 мкм, то наша технология позволяет получать нейроны размером 11 мкм и даже меньше — вплоть до 0,60,6 мкм. Сейчас в созданной установке используется 20482048 нейронов. В мобильной установке планируется использовать до 1400014000, то есть 196 млн нейронов. Такая система должна позволить решать более сложные задачи.

— Ваша оптическая сеть, по сути, жестко «прошита» под конкретные задачи распознавания. Не превращается ли такой вычислитель в узкоспециализированный инструмент, который проигрывает универсальному GPU в гибкости, даже выигрывая в скорости?

— Система не настолько узкоспециализирована, как это кажется. По сути, любая многопараметрическая задача, параметры которой можно превратить в изображение, может быть проанализирована дифракционной нейронной сетью. Но некоторое сужение функционала, конечно, есть. Однако вряд ли в нашей стране в ближайшее время получится организовать массовый выпуск GPU, а аналоговые устройства позволяют решить хотя бы часть задач. Кроме того, система обладает еще одним немаловажным преимуществом: энергопотребление у нее существенно меньше по сравнению с GPU.

Пресс-служба Самарского университета