Российские исследователи разработали демонстрационный образец высокопроизводительного фотонного процессора, способного использовать частицы света для распознавания объектов со скоростью обработки информации в 662 терабайта в секунду. Об этом сообщила пресс-служба Национального центра физики и математики (НЦФМ).
"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", - пояснил профессор Самарского университета Роман Скиданов, чьи слова приводит пресс-служба вуза.
Разработанное вычислительное устройство представляет собой аналоговый процессор. Так ученые называют вычислительные машины, которые хранят числовые данные в виде аналоговых физических параметров и пользуются законами природы для обработки информации. Как правило, аналоговые процессоры устроены таким образом, что они способны решать только одну или очень небольшое число задач, но при этом они делают это на порядки быстрее универсальных цифровых процессоров.
В частности, созданный российскими учеными процессор представляет собой устройство, нацеленное на распознавание объектов при обработке больших массивов данных, в том числе при обработке данных с гиперспектрометра, который сейчас разрабатывается в рамках научной программы НЦФМ. Проведенные учеными замеры показали, что созданная ими машина способна распознавать рукописные цифры с точностью в 93,75% и с рекордно высокой скоростью, составляющей 662 терабайта в секунду
Этот показатель, как планируют исследователи, будет повышен еще на несколько порядков в процессе улучшения свойств разработанного ими фотонного вычислителя, и к 2030 году он потенциально достигнет скорости работы в 125 эксабайт в секунду. Это позволит создать в НЦФМ установку класса "мегасайенс", которая будет решать прикладные задачи по обработке больших массивов данных и получать фундаментальные результаты в области искусственного интеллекта и машинного обучения.