Fotonica leent zich voor deep learning

Als het om rekenen en dataverwerking gaat, worden fotonische circuits over het algemeen niet beschouwd als concurrent voor elektronica. Een von-neumann-architectuur is met fotonen lastiger te realiseren dan met elektronen. Maar voor neurale netwerken, die zich slecht laat afbeelden op de von-neumann-aanpak, zou de fotonische aanpak wel eens een uitkomst kunnen zijn, beredeneert een groep Amerikaanse en Canadese onderzoekers in Nature Photonics (open access-versie op Arxiv).

Neurale netwerken zijn opgebouwd uit lagen van identieke neuronen. Die bestaan uit instelbare verbindingen met neuronen uit de vorige laag voor hun input en een min of meer willekeurige niet-lineaire functie om een output te genereren. Het doorrekenen van een laag bestaat dus eerst uit een matrixvermenigvuldiging, van de waarden in de vorige laag met de sterkte van de onderlinge verbindingen. Daarna volgt een niet-lineaire bewerking op het resultaat.

Beide operaties kunnen efficiënt gedaan worden met fotonica. Vooral de tweede is eenvoudig: als waarden gecodeerd zijn met de amplitude van een lichtpuls, volstaat het om die bijvoorbeeld door een materiaal te schijnen dat tot een zekere grens licht absorbeert. De matrixvermenigvuldiging is dan wat ingewikkelder en vereist meerdere stappen met bundelsplitsers, faseverschuivers en dimmers. Maar het kan praktisch zonder energieverbruik worden uitgevoerd.