Российские ученые создали демонстрационный образец высокопроизводительного фотонного процессора, который способен распознавать объекты с помощью частиц света со скоростью обработки данных 662 терабайта в секунду. Это стало известно из сообщения пресс-службы 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", - рассказал профессор Самарского университета Роман Скиданов, чьи слова приводит пресс-служба вуза.
Данное устройство было создано профессором Скидановым совместно с группой ученых. Оно представляет собой аналоговый процессор. Согласно терминологии ученых, это вычислительные машины с возможностью хранения числовых данных в виде аналоговых физических параметров и использованием законов природы для обработки информации.
В большинстве случаев, аналоговые процессоры имеют возможность решать только одну или очень маленькую часть задач, но при этом они способны выполнять эту работу на порядок быстрее, чем универсальные цифровые аналоги. Процессор, разработанный российскими учеными, является устройством для распознавания объектов при обработке больших массивов данных, в том числе с использованием гиперспектрометра, который сейчас разрабатывается в рамках научной программы НЦФМ.
Учеными были проведены замеры, которые показали, что разработанная ими машина может распознавать рукописные цифры с точностью до 93,75% и с высокой скоростью, которая составляет 662 терабайта в секунду. По мнению исследователей, данный показатель будет повышен еще на несколько порядков в процессе совершенствования свойств фотонного вычислителя, и к 2030 году он может достичь скорости работы в 125 мегабайт в секунду. С помощью этого можно будет создать в НЦФМ установку класса "мегасайенс", которая будет решать сложные прикладные задачи по обработке больших массивов данных и получать фундаментальные результаты, которые касаются 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", - рассказал профессор Самарского университета Роман Скиданов, чьи слова приводит пресс-служба вуза.
Данное устройство было создано профессором Скидановым совместно с группой ученых. Оно представляет собой аналоговый процессор. Согласно терминологии ученых, это вычислительные машины с возможностью хранения числовых данных в виде аналоговых физических параметров и использованием законов природы для обработки информации.
В большинстве случаев, аналоговые процессоры имеют возможность решать только одну или очень маленькую часть задач, но при этом они способны выполнять эту работу на порядок быстрее, чем универсальные цифровые аналоги. Процессор, разработанный российскими учеными, является устройством для распознавания объектов при обработке больших массивов данных, в том числе с использованием гиперспектрометра, который сейчас разрабатывается в рамках научной программы НЦФМ.
Учеными были проведены замеры, которые показали, что разработанная ими машина может распознавать рукописные цифры с точностью до 93,75% и с высокой скоростью, которая составляет 662 терабайта в секунду. По мнению исследователей, данный показатель будет повышен еще на несколько порядков в процессе совершенствования свойств фотонного вычислителя, и к 2030 году он может достичь скорости работы в 125 мегабайт в секунду. С помощью этого можно будет создать в НЦФМ установку класса "мегасайенс", которая будет решать сложные прикладные задачи по обработке больших массивов данных и получать фундаментальные результаты, которые касаются искусственного интеллекта и машинного обучения.
