Project

Neuromorfe herconfigureerbare geïntegreerde fotonische circuits als kunstmatige beeldprocessor

Acroniem
NEoteRIC
Code
41K02320
Looptijd
01-01-2020 → 30-04-2024
Financiering
Europese middelen: kaderprogramma
Onderzoeksdisciplines
  • Natural sciences
    • Machine learning and decision making
Trefwoorden
machine learning
Overige informatie
 
Projectomschrijving

Het primaire doel van NEoteRIC is het genereren van holistische fotonische paradigma's voor machine learning die veeleisende beeldverwerkingstoepassingen zullen aanpakken in een onconventionele benadering, met als belangrijkste verhoging van de framesnelheid, verbetering van de classificatieprestaties en een veel lager stroomverbruik in vergelijking met de ultramoderne machine leerbenaderingen. De implementatiestrategie van NEoteRIC omvat meerdere innovaties die zich uitstrekken van het fotonische "ransistor" -niveau en zich uitstrekken tot het systeemarchitectuurniveau, waardoor nieuwe, onconventionele routes worden geplaveid naar neuromorfe prestatieverbetering. De technologische hoeksteen van NEoteRIC is gebaseerd op de ontwikkeling en opschaling van een supersnel configureerbaar fotonisch FPGA-achtig circuit dat zeer dichte en volledig herconfigureerbare essentiële fotonische componenten van silicium (ringresonatoren, MZI's, enz.) Zal bevatten. Herconfigureerbaarheid op hoge snelheid zal de mogelijkheid ontgrendelen om de fotonische componenten te herstructureren en intercomponentenverbindingen opnieuw te bedraden. Door middel van NEoteRIC zullen de geïntegreerde fotonische FPGA's worden versterkt door de opname van nieuwe, marginaal energieverbruikende, niet-vluchtige hogesnelheidsfaseverschuivers die de grenzen van het energieverbruik zullen verleggen. NEoteRIC '' niet-conventionele 'chips zullen worden gebruikt als een prolifererend neuromorf computationeel platform dat de verdiensten van fotonische en elektronische technologie zal samenvoegen en de alloptische implementatie van krachtige non-von Neumann-architecturen zoals Reservoir Computing, Recurrent Neural Networks, Deep Neural Networks mogelijk zal maken. en Convolutional Neural Networks tegelijkertijd door dezelfde fotonische chip. De excellentie in het project zal worden getest door middel van veeleisende toepassingen met een hoge impact, zoals beeldanalyse met hoge framesnelheid en in het bijzonder modaliteiten met een tijdrek van één pixel, waardoor de grenzen van de state-of-the-art worden verlegd; met een gelijktijdige hoge ruimtelijke resolutie en Gframe / sec verwerkingssnelheid.