Un Team di Ricerca Sviluppa Architettura Fotonica Riconfigurabile per Apprendimento Continuo
Nell’era dell’intelligenza artificiale (AI), le sfide poste dai compiti sempre più complessi e abbondanti sono in costante aumento, alimentate da dataset su larga scala. Tuttavia, con il plateau della legge di Moore e la fine della scalabilità di Dennard, il consumo energetico diventa un ostacolo significativo per un’applicazione più diffusa dei modelli neurali profondi elettronici pesanti di oggi, specialmente nei sistemi terminali/edge.
Sfide Attuali e Necessità di Innovazione
La comunità scientifica è alla ricerca di modalità di calcolo di nuova generazione per superare i limiti fisici delle implementazioni basate su elettronica delle reti neurali artificiali (ANN).
L2ONN: Architettura Fotonica per Apprendimento Continuo
In un recente articolo pubblicato su Light: Science & Applications, un team di scienziati, guidato dal Professor Lu Fang del Sigma Laboratory, Dipartimento di Ingegneria Elettronica, Università Tsinghua, Pechino, Cina, ha sviluppato L2ONN, un’architettura di calcolo fotonica riconfigurabile per l’apprendimento continuo.
L’architettura di calcolo ottico per l’apprendimento continuo, proposta nel paper, dimostra la sua straordinaria capacità di apprendimento su sfide impegnative, come classificazione visiva, riconoscimento vocale e diagnosi medica, supportando vari nuovi ambienti.
Concludendo, gli scienziati hanno dichiarato: “Abbiamo dimostrato che l’apprendimento continuo fotoniche fornisce una soluzione chiavi in mano per applicazioni di intelligenza artificiale su larga scala con scalabilità e versatilità senza precedenti. Ci aspettiamo che l’architettura neuromorfica proposta acceleri lo sviluppo di calcolo fotoniche più potente come supporto critico per l’intelligenza artificiale avanzata moderna e avvii una nuova era dell’IA”.
