Оптические нейросети без электричества: как линзы умножают матрицы быстрее GPU

Нейросети прочно ассоциируются с мощными GPU и огромными дата-центрами, потребляющими мегаватты энергии. Но что, если вычисления можно выполнять без электричества — с помощью света, проходящего через линзы? В 2018 году группа учёных из UCLA под руководством профессора Айдына Араба показала, что это возможно. Они напечатали на обычном 3D-принтере нейросеть из пяти пластиковых пластин, которая выполняет матричные умножения мгновенно, используя только дифракцию света. Точность распознавания рукописных цифр из базы MNIST составила 91,75% — впечатляющий результат для полностью оптической системы без единого транзистора.

Как работает оптическая нейросеть UCLA

В основе устройства лежит принцип дифракции света. Каждая из пяти пластин имеет определённый рельеф, который модулирует фазу проходящего через неё света. Когда лазерный луч, несущий изображение цифры, проходит через последовательность таких пластин, свет интерферирует и перераспределяется таким образом, что в конечной плоскости формируются яркие пятна, соответствующие правильному классу цифры. По сути, вся нейросеть — это набор фазовых масок, которые «обучены» выполнять матричные умножения, необходимые для распознавания образов. Никакой электроники, никакого программирования — только геометрия пластин и законы физики.

Предыстория и контекст

Идея оптических вычислений не нова: ещё в 1960-х годах предлагались оптические процессоры для обработки сигналов. Однако они не могли конкурировать с электронными аналогами из-за сложности реализации и низкой точности. Прорыв UCLA заключается в том, что они применили методы глубокого обучения для расчёта фазовых масок. Сначала нейросеть обучается на компьютере, а затем её веса «переносятся» на физические пластины с помощью 3D-печати. Это позволяет создавать компактные, дешёвые и энергоэффективные устройства. В 2018 году это было революцией, но работа оставалась в тени до недавнего времени, когда интерес к энергоэффективным AI-системам резко вырос.

Почему оптические нейросети не используют повсеместно?

Основная проблема — масштабируемость. Прототип UCLA работает только с одним типом задач (распознавание рукописных цифр) и не может быть перепрограммирован. Каждая новая задача требует создания новых пластин. Кроме того, точность 91,75% уступает современным электронным нейросетям (99%+). Однако для задач, где важна скорость и энергоэффективность, а не максимальная точность, такие системы могут быть полезны. Например, в системах автономного управления, где задержка в миллисекунды критична, оптическая обработка может выполняться мгновенно.

Технические подробности и сравнение с GPU

Оптическая нейросеть UCLA состоит из пяти слоёв, каждый из которых — пластина толщиной 1 мм из акрилового пластика, напечатанная на стандартном 3D-принтере с разрешением 0,1 мм. Размер каждой пластины — 10×10 см. Для работы используется лазер мощностью 5 мВт. Время обработки одного изображения определяется только скоростью света и составляет менее 1 пикосекунды, что на несколько порядков быстрее GPU. При этом энергопотребление практически нулевое — только питание лазера. Для сравнения: современный GPU потребляет сотни ватт и требует охлаждения. Однако оптическая система не может выполнять произвольные вычисления — она жёстко заточена под одну функцию.

Кого затронет и как

Разработка UCLA в первую очередь интересна для исследователей в области оптических вычислений и нейроморфных систем. Она может найти применение в специализированных AI-ускорителях, где критична задержка и энергопотребление. Например, в автономных автомобилях, дронах или медицинских диагностических устройствах. Для обычных потребителей это пока далёкая перспектива, но если технологию удастся масштабировать, мы можем увидеть оптические сопроцессоры в смартфонах. В России и СНГ подобные разработки ведутся в МФТИ и ИТМО, но до практических прототипов пока далеко.

Что будет дальше

Группа UCLA продолжает работу над улучшением точности и созданием перепрограммируемых оптических нейросетей. Одна из идей — использование жидкокристаллических пространственных модуляторов света вместо статических пластин, что позволит менять маски в реальном времени. Также ведутся исследования по созданию гибридных опто-электронных систем, где оптические слои выполняют предобработку, а электроника — финальную классификацию. В ближайшие 5-10 лет возможна коммерциализация таких решений для нишевых применений.

Итог

Оптическая нейросеть UCLA — это не просто лабораторный курьёз, а доказательство концепции, что вычисления можно выполнять без электричества, используя только свет и пластик. Хотя до замены GPU ещё далеко, эта работа открывает путь к сверхбыстрым и энергоэффективным AI-системам. Следить за развитием стоит всем, кто интересуется будущим вычислительной техники — возможно, следующее поколение нейросетей будет не на кремнии, а на пластике и лазерах.