Самарские ученые модернизировали фотонный вычислитель

Ученые Самарского университета им. Королёва создали и испытали модернизированный вариант экспериментального образца аналоговой фотонной вычислительной системы, способной обрабатывать видеоданные в сотни раз быстрее, чем это делают современные цифровые нейросети на основе традиционных полупроводниковых компьютеров. У обновленной версии увеличились энергоэффективность вычислений и точность распознавания, при этом конструкция прибора несколько упростилась.

"Мы внесли в конструкцию созданного ранее экспериментального образца вычислителя ряд изменений, в результате получилась модернизированная версия с улучшенными показателями. В этой версии мы применили фазовый ввод оптического сигнала: оказалось, что он ничуть не хуже традиционного амплитудного, а по ряду задач даже намного лучше. Благодаря изменениям удалось значительно – примерно на 50%, то есть в полтора раза – повысить общую энергоэффективность устройства. Дело здесь, конечно, не в экономии электричества, а в эффективности вычислений, этот параметр является одним из ключевых для вычислительных устройств. Кроме того, снизилось количество ошибок, точность распознавания увеличилась примерно на 1%. Применив фазовый ввод, мы убрали некоторые элементы конструкции, связанные с обработкой интенсивности оптического сигнала. Конструкция стала проще, отсюда и меньше возможных источников ошибок при вычислениях. Учитывая, что мы уже очень близки к 100%, каждый новый шаг по увеличению точности – это весьма сложная задача, на этом уровне увеличение на 1% является очень значительным показателем", – рассказал профессор кафедры технической кибернетики Самарского университета им. Королёва, доктор физико-математических наук Роман Скиданов.

Фазовый ввод связан с одной из основных характеристик оптического сигнала, в числе которых амплитуда (интенсивность), фаза и поляризация. При фазовом вводе в вычислителе происходит фазовая модуляция фронта электромагнитной волны, несущей изображение анализируемого объекта. То есть данные об этом изображении, можно сказать, кодируются не интенсивностью света, а фазой волны. Это примерно как различные виды модуляции в радиовещании: на средних и длинных волнах применяется амплитудная модуляция, а в FM-диапазоне – частотная модуляция, и разница в способах модуляции очень сильно отражается на качестве звучания радиостанций.

Модернизированная версия вычислителя была представлена на территории технопарка "Саров" в рамках визита председателя Правительства Российской Федерации Михаила Мишустина. На мероприятии присутствовали Президент Российской академии наук Геннадий Красников, генеральный директор государственной корпорации по атомной энергии "Росатом" Алексей Лихачёв, научный руководитель НЦФМ Александр Сергеев.

Разработку представила молодая команда разработчиков Самарского университета им. Королёва: аспирант Юрий Ханенко, студенты четвертого курса Алексей Пронин, Александр Морозов и Даниил Сорокин.

"Наша разработка вызвала широкий интерес и получила самые высокие оценки от многих участников встречи", – отметил Роман Скиданов.

В настоящее время в университете также ведется сборка опытного образца фотонного вычислителя, он создается на основе схемы экспериментального образца и будет, по словам разработчиков, являться практически предсерийным образцом.

Проект создания аналоговой фотонной вычислительной системы реализуется в рамках научной программы Национального центра физики и математики (НЦФМ). Исследования по данному проекту финансируются со стороны Министерства науки и высшего образования Российской Федерации и Госкорпорации "Росатом".

Оптическая нейросеть на основе такого фотонного вычислителя сможет в режиме реального времени анализировать поступающий в систему видеопоток и практически мгновенно, со скоростью работы устройств ввода-вывода, распознавать и находить в этом видеопотоке заданные к поиску объекты и изображения. Наряду с анализом "картинки" с обычной видеокамеры, разработка также сможет оперативно анализировать данные, получаемые с помощью гиперспектрометров – устройств, видящих реальность в многоканальном спектральном отображении и позволяющих обнаруживать объекты, невидимые для обычных средств наблюдения.

Возможность анализа гиперспектральных данных является ключевой особенностью самарского фотонного вычислителя. Гиперспектральные данные изначально представляют собой очень значительные по объему массивы информации, анализ которых требует, как правило, значительных затрат времени.

Кроме быстродействия и широкого спектрального диапазона, аналоговые оптические вычислительные системы обладают также такими преимуществами, как полная защищенность от электромагнитных помех, малое потребление энергии и возможность параллельной обработки данных. Схема системы, позволяющей вести полностью оптическую обработку поступающей информации, была впервые предложена еще в 1958 году. Данное направление активно развивалось в 80-е годы прошлого века, но затем применение подобных устройств практически сошло на нет из-за их громоздкости и в связи с развитием цифровой техники. Последние годы эта сфера прикладных исследований становится все более актуальной в различных странах мира благодаря появлению новых материалов, устройств ввода-вывода и созданию компактной оптики с особой структурой.

Справочно

При гиперспектральной съемке или гиперспектральном дистанционном зондировании Земли, проводимом с БПЛА или космического спутника, каждый пиксель полученного изображения представлен в виде полного или непрерывного спектра, что позволяет выявлять спектральные свойства искомых объектов и в ходе анализа полученных данных обнаруживать объекты, которые нельзя увидеть с помощью иных средств наблюдения.

Например, с помощью гиперспектрометров можно эффективно обнаруживать парниковые газы, фиксируя выбросы метана и CO2, а также вести геологоразведку труднодоступных территорий, выявляя из космоса спектральные сигнатуры различных минералов, в том числе тех, что указывают на возможное расположение месторождений нефти и природного газа. Гиперспектрометры более качественно и точно отслеживают возникновение лесных пожаров, следят за состоянием лесов и сельскохозяйственных посевов, помогают вычислять вегетационные индексы и даже выявляют из космоса стресс у растений.