Forskare har utvecklat ett banbrytande nytt tillvägagångssätt som snabbt kommer att påskynda maskininlärning - med hjälp av ljus.

Ett internationellt team av forskare - från Münster universitet, Oxford, Exeter, Pittsburgh, École Polytechnique Fédérale (EPFL) och IBM Research Zurich-har utvecklat ett nästa generations datoracceleratorchip som bearbetar data med hjälp av ljus snarare än elektronik.

Resultaten publiceras i den ledande vetenskapliga tidskriften Natur på onsdag, 6 januari.

Professor C. David Wright vid University of Exeter, som leder EU-projektet Fun-COMP som finansierade detta arbete sa:"Konventionella datorchips är baserade på elektronisk dataöverföring och är relativt långsamma, men ljusbaserade processorer-som de som utvecklats i vårt arbete-gör det möjligt att bearbeta komplexa matematiska uppgifter med hundratals eller till och med tusentals gånger snabbare hastigheter, och med enormt minskad energiförbrukning. "

Forskargruppen, ledd av professor Wolfram Pernice från Institutet för fysik och Center for Soft Nanoscience vid universitetet i Münster, kombinerade integrerade fotoniska enheter med fasförändringsmaterial (PCM) för att leverera supersnabbt, energieffektiva matrisvektor (MV) multiplikationer.

MV-multiplikationer är kärnan i modern dator-från AI till maskininlärning och behandling av neurala nätverk-och det är absolut nödvändigt att utföra sådana beräkningar med ständigt ökande hastigheter, men med ständigt minskande energiförbrukning, driver utvecklingen av en helt ny klass processorchips, så kallade tensor-bearbetningsenheter (TPU).

Teamet utvecklade en ny typ av fotonisk TPU - en som kan utföra flera MV -multiplikationer samtidigt och parallellt, använder en chipbaserad frekvenskam som ljuskälla, tillsammans med våglängd-division-multiplexering.

Matriselementen lagrades med PCM-samma material som för närvarande används för återskrivbara DVD- och BluRay-optiska skivor-vilket gör det möjligt att bevara matristillstånd utan behov av energiförsörjning.

I deras experiment, laget använde sin fotoniska TPU i ett så kallat konvolutionellt neuralt nätverk för igenkänning av handskrivna nummer och för bildfiltrering. "Vår studie är den första som applicerar frekvenskammar inom artificiella neurala nätverk, "säger professor Wolfram Pernice.

"Våra resultat kan ha ett brett spektrum av applikationer, "förklarade professor Harish Bhaskaran från University of Oxford, en nyckelmedlem i teamet:"En fotonisk TPU kan snabbt och effektivt bearbeta enorma datamängder som används för medicinska diagnoser, som de från CT, MR- och PET -skannrar, " han fortsatte.

Ytterligare tillämpningar kan också hittas i självkörande fordon-som är beroende av snabba, snabb utvärdering av data från flera sensorer - liksom för tillhandahållande av IT -infrastruktur som molnberäkning.