由于功率、处理和内存的限制，高级机器学习模型目前无法在智能传感器和无人机等边缘设备上运行。

麻省理工学院的研究人员介绍了一种基于跨网络的离域模拟处理的机器学习推理方法。在这种被称为 Netcast 的方法中，基于云的「智能收发器」将重量数据流式传输到边缘设备，从而实现超高效的光子推理。

该团队以 98.8%（93%）的分类准确度展示了图像识别在 40 焦耳/倍（<1 个光子/倍）的超低光能下。研究人员在波士顿地区的现场试验中重现了这一性能，该试验超过 86 公里已部署的光纤，波长多路复用超过 3 太赫兹的光带宽。Netcast 允许具有最少内存和处理能力的毫瓦级边缘设备以保留给高功率（>100 瓦）云计算机的 teraFLOPS 速率进行计算。

该研究以「Delocalized photonic deep learning on the internet’s edge」为题，于 2022 年 10 月 20 日发布在《Science》。

图片

深度神经网络（DNN）的进步正在改变科学技术。然而，最强大的 DNN 日益增长的计算需求限制了在智能手机和传感器等低功耗设备上的部署，而同时向物联网（IoT）设备的发展加速了这一趋势。许多努力正在降低功耗，但由于矩阵代数中的能量消耗，一个基本的瓶颈仍然存在，即使对于包括神经形态、模拟存储器和光子网格在内的模拟方法也是如此。

 

论文链接：https://www.science.org/doi/10.1126/science.abq8271

内容中包含的图片若涉及版权问题，请及时与我们联系删除