中国・清華大学の研究者らは、高速ビジョン・タスクに革命をもたらす可能性のある、「オールアナログ光電子チップ」を開発した。ACCELと名付けられたこのチップは、電子演算と光演算を組み合わせることで、視覚関連処理において前例のないエネルギー効率と演算速度を実現するという。
従来のデジタル・コンピューティング・ユニットは、視覚タスクを処理する場合、そのエネルギー消費と計算速度によって長い間制限されてきた。自律走行、ロボット工学、医療診断、ウェアラブルデバイスの画像認識など、これらのタスクは、高解像度画像、正確な分類、超低遅延を必要とする。
ACCELチップは、回折型光アナログ・コンピューティング（OAC）と電子アナログ・コンピューティング（EAC）を1つのチップに統合することで、この制限に対処し、高速でエネルギー効率の高い視覚データ処理のための画期的なソリューションを提供するものである。本研究成果は、研究概要をまとめたResearch BriefingとともにNature誌に掲載されている。
本研究の著者の一人であるJiamin Wu博士は、Phys.orgの取材に対し、彼らがハードウェアの側面に注目した理由を次のように説明している。「我々のチームは、AIの進歩が実世界に与える影響を強化することに意欲を燃やしており、AIの実行のための効率的なハードウェアソリューションの開発に長年取り組んできました」。
回折型光アナログ・コンピューティング（OAC）は、光とその性質を利用して計算を行う方法である。回折を利用して光波を操作し、情報を符号化して処理する。光が作り出す干渉パターンを利用することで、OACはアナログ的な方法で計算を行うことができる。
一方、エレクトロニック・アナログ・コンピューティング（EAC）は、連続的な物理量を模倣する方法で計算を実行するために電子部品を使用するコンピューティング・アプローチである。0と1で表されるデジタル信号を使う代わりに、EACは連続的に変化する信号で動作する。電気回路や自然現象などの物理システムがどのように振る舞うかに似た方法で情報を処理するために、電子回路を活用する。
端的に言えば、OACは光波を利用して計算を行い、EACは電子部品を利用して連続的に情報を処理する。どちらの方法も、ある種の計算には有利であり、高速ビジョン・タスクの開発に貢献する。
両方の長所を生かす
この研究では、OACとEACを組み合わせることで、光（光子）と電子の両方の利点をすべてアナログ的に活用することを可能にしている。
そうすることで、研究者たちは、光非線形性の複雑な実装、ADCの多大な消費電力、ノイズやシステムエラーに対する脆弱性など、フォトニック（光ベース）コンピューティングの実用上の限界に対処している。
「回折型ニューラルネットワークを実装した光コンピューティングモジュールは、まず高度に並列な方法で情報を抽出し、データの次元を縮小するために使用されます」とWu博士は説明する。このプロセスは非常に効率的で、高解像度の光フィールドから情報を抽出することができるのだ。
従来のデジタルカメラで写真を撮る場合、撮影した画像は複数のアナログ・デジタル変換器（ADC）を使ってデジタル信号に変換する必要がある。これらのADCはかなりの電力を消費し、処理速度を低下させる。だがACCELは、光による光電流を直接計算に使用することで、このような電力を消費するコンバーターの必要性を排除し、その結果、計算の待ち時間が大幅に短縮される。
「光コンピューティングモジュールの出力は、次にフォトダイオードアレイで受光され、光誘起光電流が生成される。これらの光電流は、電子アナログ領域での更なる計算に直接使用されます」とWu博士は説明する。このシームレスな変換により、複雑なネットワーク構造を作成することが可能になり、タスク全体のパフォーマンスが向上する。「ACCELLチップは、光電効果の本質的な非線形性を利用し、アナログ・デジタル変換を行わずにアナログ電子分野でデータ処理を行うことで、最先端のデジタル・プロセッサよりも数桁高いエネルギー効率と演算速度を実現しています」と、Wu博士は付け加える。
桁違いのエネルギー効率
研究者たちは、手書きの数字の認識、衣服の識別、筆記体の解釈など、さまざまなタスクにおけるACCELの分類精度をテストするために、一連のテストを実施した。
結果、ACCELチップはワットあたり74.8ペタ演算/秒というシステム的なエネルギー効率を達成しており、これは最先端のGPUやTPUよりも3桁以上高い事が分かった。さらに、計算速度は毎秒4.6ペタ演算に達し、計算の99％以上が光学的に実行される。
高解像度の画像を72ナノ秒以内に分類する能力がある事が分かったが、実用的なアプリケーションでもその性能の高さが証明された。オプトエレクトロニクス・コンピューティングとアダプティブ・トレーニングの共同最適化により、様々なタスクで競争力のある分類精度を達成している。例えば、Fashion-MNIST、3クラスImageNet分類、タイムラプスビデオ認識タスクにおいて、それぞれ85.5%、82.0%、92.6%の精度を達成している。特筆すべきは、ACCELは低照度条件下でも優れた耐性を示し、ウェアラブルデバイス、自律走行、工業検査に適していることである。
そして超低消費電力で動作する事から、発熱の問題を大幅に軽減する。
今後の課題
研究者らは、全アナログ光電子工学が高い出力と効率を実証したとはいえ、まだ改善の余地があることを認めている。
「ACCELは高速演算と高いエネルギー効率を達成しましたが、このチップの処理能力にはまだ改善の余地があります。将来的には、より広範なコンピュータ・ビジョンのタスクを処理するために、光電子コンピューティングを用いたより効率的なアーキテクチャを探求し、この技術を大規模言語モデル（LLM）のような新しい人工知能アルゴリズムに拡張したいと考えています」とWu博士は説明した。
現在進行中のこの研究は、将来の進歩に向けてアナログフォトニック技術の限界を押し広げることを目的としている。
論文
参考文献
- Nature: Computer vision accelerated using photons and electrons
- Phys.org:
研究の要旨
フォトニック・コンピューティングは、より高速でエネルギー効率の高い視覚データの処理を可能にする。しかし、複雑な光非線形性、下流のデジタル処理用アナログ・デジタル変換器（ADC）の多大な消費電力、ノイズやシステムエラーに対する脆弱性などのため、導入可能なシステムの実験的優位性は依然として課題となっている。ここでは、電子コンピューティングと光コンピューティングを組み合わせた全アナログ・チップ（ACCEL）を提案する。ACCELは、1ワット当たり74.8ペタ演算/秒のシステムエネルギー効率と、4.6ペタ演算/秒の演算速度（99％以上が光学系による実装）を有し、それぞれ最先端のコンピューティング・プロセッサの3桁以上と1桁以上に相当する。特徴抽出のための光エンコーダとして回折光コンピューティングを適用した後、光によって誘起された光電流は、アナログ・デジタル変換器を必要とすることなく、集積化されたアナログ・コンピューティング・チップでさらなる計算に直接使用される。オプトエレクトロニックコンピューティングと適応トレーニングの共同最適化により、ACCELは実験的にFashion-MNIST、3クラスImageNet分類、タイムラプスビデオ認識タスクにおいて、それぞれ85.5%、82.0%、92.6%の競争力のある分類精度を達成し、同時に低照度条件（各フレーム0.14 fJ μm-2）において優れたシステムのロバスト性を示した。ACCELは、ウェアラブルデバイス、自律走行、工業検査など、幅広い用途で使用できる。
コメントを残す