UCLA 엔지니어들, 광속 연산 지능형 카메라용 광학 신경망 공개

UCLA 사무엘리 공과대학(UCLA Samueli School of Engineering), 로스앤젤레스, CA

UCLA 엔지니어들이 인간 뇌 작동에서 영감을 받은 광학 신경망(optical neural network) 설계를 크게 개선했습니다. 이 장치는 빛의 속도로 물체를 식별하거나 정보를 처리할 수 있습니다. 이 개발은 3D 설계된 물질 구조를 통과하는 빛의 패턴만으로 무엇을 보고 있는지 알아내는 지능형 카메라 시스템으로 이어질 수 있습니다. 새로운 설계는 광학 기반 연산 시스템의 병렬성과 확장성을 활용합니다.

자율주행차·로봇에 즉각적 의사결정 제공

예를 들어, 이러한 시스템을 자율주행차나 로봇에 통합하면, 물체를 본 후 식별하는 데 추가 시간이 필요한 컴퓨터 기반 시스템보다 더 빠르고 적은 전력으로 근실시간 결정을 내리는 데 도움을 줄 수 있습니다.

이 기술은 UCLA 그룹이 2018년 처음 소개했습니다. 시스템은 불균일한 표면을 가진 일련의 3D 프린팅 웨이퍼나 레이어를 사용하여 들어오는 빛을 투과하거나 반사시킵니다. 외관과 효과가 사포 유리(frosted glass)와 유사합니다. 레이어들은 수만 개의 픽셀 포인트, 즉 본질적으로 인공 뉴런을 가지며 모든 광학적으로 연산하는 설계된 물질 부피를 형성합니다. 각 객체는 3D 제작 레이어를 통과하는 고유한 빛 경로를 가집니다. 레이어 뒤에는 여러 빛 검출기가 있으며, 각 검출기는 컴퓨터에서 미리 할당되어 입력 객체가 무엇인지 빛이 레이어를 통과한 후 어디에 가장 많이 도달하는지로 추론합니다. 예를 들어 손글씨 숫자를 식별하도록 훈련된 경우, '5'로 프로그래밍된 검출기는 '5' 이미지가 레이어를 통과한 후 가장 많은 빛을 받게 됩니다.

두 번째 검출기 세트 추가로 정확도 대폭 향상

UCLA 연구진은 시스템에 두 번째 검출기 세트를 추가하여 정확도를 크게 높였습니다. 이제 각 객체 유형이 한 개가 아닌 두 개의 검출기로 표현됩니다. 연구진은 객체 유형에 할당된 검출기 쌍 간의 신호 차이를 늘리는 것을 목표로 했습니다. 직관적으로 이는 양손에 돌을 하나씩 들고 동시에 무게를 달아 그것들이 비슷한 무게인지 다른 무게인지 구별하는 것과 유사합니다.

이러한 시스템은 3D 제작 물질 구조 내부에서 빛-물질 상호작용과 광회절을 통해 머신러닝 작업을 빛의 속도로, 조명광과 간단한 검출기 회로 외에는 광범위한 전력 없이 수행합니다. 연구자들에 따르면 이 진전은 광자와 빛-물질 상호작용만으로 장면을 연산하는 작업별 스마트 카메라를 가능하게 하여 극도로 빠르고 전력 효율적입니다.

연구진은 손글씨 숫자, 의류 아이템, 다양한 차량과 동물로 구성된 더 넓은 CIFAR-10 이미지 데이터셋을 사용하여 시스템 정확도를 테스트했습니다. 각각 98.6%, 91.1%, 51.4%의 이미지 인식 정확도를 발견했습니다.

이 결과들은 이전 세대 올전자 딥 뉴럴넷과 매우 유리하게 비교됩니다. 더 최근 전자 시스템들이 더 나은 성능을 보이지만, 연구자들은 추론 속도, 저전력, 더 많은 객체를 병렬로 수용하고 식별할 수 있도록 확장 가능한 능력에서 올광학 시스템이 이점이 있다고 제안합니다.

자세한 정보는 Amy Akmal(이메일: 스팸봇 보호 중, 자바스크립트 필요)에게 문의하세요.