В НЦФМ создали образец аналогового фотонного процессора

Специалисты Самарского университета им. Королева создали демонстрационный образец высокопроизводительного фотонного процессора в рамках научной программы Национального центра физики и математики (НЦФМ), реализуемой при поддержке Госкорпорации «Росатом». Процессор работает на основе новой, фотонной компонентной базы, в которой информация передается частицами света (фотонами), а не электронами, как в привычных вычислителях.

Специализированный процессор уже сегодня позволяет распознавать огромные массивы данных в объемных видеопотоках. Он достиг скорости обработки информации 5,3 × 1015 бит в секунду в серии экспериментов по распознаванию рукописных цифр из международной объемной базы данных MNIST с точностью более 90%. Российские ученые ожидают в ближайшие годы увеличить производительность аналогового фотонного процессора на два порядка.

Образец фотонного процессора был создан в интересах реализации к 2030 году в НЦФМ фотонной вычислительной машины класса мегасайенс. По проекту, производительность машины будет рекордной и достигнет 1021 операций в секунду. Такая установка класса мегасайенс позволит решать прикладные задачи по обработке больших массивов данных и получать фундаментальные результаты в области искусственного интеллекта и машинного обучения.

«Аналоговая фотонная вычислительная система позволяет проводить анализ и распознавание объектов в сотни раз быстрее современных цифровых нейросетей на основе традиционных полупроводниковых компьютеров. Это особенно важно для оперативного анализа гиперспектральных данных, изначально представляющих собой значительные по объему массивы информации. Надежность распознавания в ходе первых экспериментов на демонстрационном образце составила 93,75%. В 2024 году планируется собрать и испытать экспериментальный образец системы в достаточно компактном корпусе размером с небольшой системный блок компьютера. Точность и надежность распознавания у экспериментального образца должна вырасти за счет подбора компонентов с улучшенными характеристиками. Опытный образец установки, планируется, будет готов в 2025 году», — рассказал профессор кафедры технической кибернетики Самарского университета им. Королева, ученый НЦФМ доктор физико-математических наук Роман Скиданов.

-----------------------------------------------

Болеее технического описания к сожалению не нашел, в отличии от похожего китайского проекта - но я так понял тоже оптическая нейросетка, умеющая запускать как минимум convolution neural net

[censored]
ТАм в каментах напихали всякого в панамку (Еще в 1993 издательством "Мир" была издана книга "Оптические вычисления" о подобных устройствах. Голографические корреляторы известны тоже давно. Почему сейчас это преподносится как нечто совершенно новое - непонятно)

Посоны, расходимся.

> ТАм в каментах напихали всякого в панамку

Скажи спасибо на политоту не съехали с первого же коммента. Комменты на хабре это отдельный вид специальной олимпиады.

> (Еще в 1993 издательством "Мир" была издана книга "Оптические вычисления" о подобных устройствах.

По меркам науки, 1993 год, это практически передний край. Большинство окружающих нас технологий были описаны до 80х годов прошлого века.

> Почему сейчас это преподносится как нечто совершенно новое - непонятно)

Потому что сейчас реализовали известный концепт в современном железе и получили интересные результаты, которых до этого не было.
Современная наука, в массе, это итеративный процесс скрещивания и улучшения уже имеющегося.
Какие-то прям прорывы случаются крайне редко.

> ТАм в каментах напихали всякого в панамку (Еще в 1993 издательством "Мир" была издана книга "Оптические вычисления" о подобных устройствах. Голографические корреляторы известны тоже давно. Почему сейчас это преподносится как нечто совершенно новое - непонятно)

На Хабре в связи с отсутствием очень необходимого черенка от лопаты сидит туева хуча мировых экспертов по всем вопросам.
Там очень важен размер оптической ячейки, потому как это дает возможность перейти от (условно) нейросетки с 10-ю нейронами на нейросетку с 100000-ми нейронами.
Так что это не новое, но собственно вся "deep learning" и "large language models" построены на том что нейросетки стали сильно больше чем раньше, и это дает им новые возможности именно из-за перехода количества в качество.