Lichtschnelles Nervennetz: Künstliche optische neuronale Netze. Issue 6 (4th November 2019)

• Record Type: Journal Article
• Authors: Feldmann, Johannes; Pernice, Wolfram H. P.
• Is Part Of: Physik in unserer Zeit. Volume 50:Issue 6(2019:Nov.)
• Page Start: 282
• Page End: 288
• Publication Date: 2019-11-04
• Subjects: Künstliches neuronales Netz -- neuromorphe Rechnerarchitektur -- optisches Neuron -- optischer Neuronenchip -- Phasenwechselmaterial -- überwachtes Lernen -- unüberwachtes Lernen -- Mustererkennung -- Buchstabenerkennung -- Sprachenerkennung; Physics -- Periodicals; Science -- Periodicals; 530
• DOI: 10.1002/piuz.201901557
• Languages: English
• ISSNs: 0031-9252

Abstract

Zusammenfassung: Vorgestellt wird ein rein optisches künstliches neuronales Netzwerk, das aus vier Neuronen und 60 Synapsen besteht. Es kann einfache Mustererkennungsaufgaben mit optischen Signalen durchführen. Seine einmal eingestellten synaptischen Gewichtungen sind in Phasenwechselmaterialien als nichtflüchtige Speicher geschrieben. Solche lichtbasierten Systeme der Künstlichen Intelligenz haben das Potenzial, zukünftig optische Signale wie Bilder von Überwachungskameras direkt, ohne Umwege über elektrische Signale, schnell und effizient zu verarbeiten. Sie ermöglichen in Zukunft effizientere Prozessoren für neuromorphe Aufgaben wie Muster‐ und Spracherkennung. Zudem sind sie ein erster Schritt hin zu Rechnerarchitekturen, die dem biologischen Gehirn nachempfunden sind. Abstract : Die künstliche Intelligenz entwickelt sich zu einer Schlüsseltechnologie. Künstliche neuronale Netze können zum Beispiel Kameradaten von selbstfahrenden Autos auswerten, Gesichter oder Sprachen erkennen. Ein Flaschenhals ist allerdings bislang die gängige Simulation als Software auf konventionellen Von‐Neumann‐Computern. Ursache ist eine noch fehlende bioinspirierte Hardware, die eher wie ein künstliches Nervennetz funktioniert. Wir stellen ein solches rein optisches neuronales Netz auf einem photonischen Chip vor. Nur mit Hilfe von Licht und Phasenwechselmaterialien kann es einfache Muster erkennen.