想象一下，光纤电缆充当巨大的传感器网络，检测从地震预警到铁路监测的所有振动。挑战是什么？实时处理海量数据流。
传统的电子计算很困难，但研究人员已经将机器学习与光子神经网络结合起来，利用光而不是电以惊人的速度处理分布式声学传感数据。
利用DAS技术革新基础设施监控
分布式声传感（DAS）是一种用于基础设施监测的先进技术。它可以探测到延伸数十公里的光纤电缆的微小振动。DAS在地震探测、石油勘探、铁路监测和海底电缆监视等应用中已经成为必不可少的。然而，这些系统产生了大量的数据，这带来了一个重大挑战：如何足够快地处理数据以实现实时使用。如果没有快速的数据处理，DAS在即时响应至关重要的场景中就会失去有效性。
为了解决这个问题，研究人员已经转向机器学习，特别是神经网络，作为加速DAS数据处理的一种方式。虽然使用CPU和G的传统电子计算随着时间的推移有了很大的改进，但它仍然在速度和能源效率方面受到限制。光子神经网络，一种使用光而不是电的计算系统，提供了一个突破性的解决方案。它们有可能以更快的速度处理数据，同时消耗更少的能量。然而，将光子计算与DAS集成已被证明是困难的，主要是由于DAS数据的复杂性和对精确信号处理的需求。
大胆的新方法：光计算与DAS的结合
在这种背景下，中国南京大学的研究人员在邹宁木的带领下，一直在研究一种创新的方法来克服这些主要障碍。他们的报告发表在3月17日的《先进光子学》杂志上，探讨了他们新开发的时间波长复用光子神经网络加速器（TWM-PNNA）在处理DAS系统数据方面的应用。
用邹博士的话说，“这项开创性的工作代表了光子神经网络与DAS系统的首次成功集成，可以处理实时数据处理。”
利用光进行神经网络处理
研究人员开发了一种系统架构，将传统的电子神经网络操作转换为光学过程。他们的方法是使用多个可调谐激光器发射不同波长的光来代表神经网络的卷积核，即从输入数据中提取特征的数学滤波器。
为了完成这项工作，他们首先必须将来自DAS系统的二维数据转换为一维向量，这些向量可以使用成熟的马赫-曾德尔调制器编码到光信号中。该团队使用波长选择开关为不同的波长通道分配特定的权重，使用光信号而不是电子计算有效地实现卷积操作。
克服光学计算中的技术障碍
研究人员还关注了两个主要的技术挑战：减轻调制啁啾（频率变化）对光卷积的影响，以及开发实现光全连接操作的可靠方法。
通过详细的实验，他们发现由调制啁啾引起的波长位移与相邻激光通道之间的波长间距之比是评估性能影响的关键指标。更具体地说，当该比值超过0.1时，识别精度将受到显著影响。通过实施一种被称为推挽调制的技术或通过降低这一比率，研究人员可以大大减轻啁啾的影响，并实现90%以上的分类精度，接近传统电气系统实现的98.3%。
此外，研究人员发现，只要在修剪后保留至少60%的完整连接参数，该系统就能保持90%以上的分类准确率。这一发现为在不牺牲性能的情况下进一步减小模型尺寸和计算负担打开了大门，使这些光学系统更便宜，更容易生产。
突破性表现和未来潜力
拟议的TWM-PNA系统展示了令人印象深刻的计算能力，每秒执行1.6万亿次运算（TOPS），能源效率为每瓦0.87 TOPS。 理论上，该系统的速度可达81 TOPS，能源效率可达每瓦21.02 TOPS，比同类电驱GPU高出几个数量级。
总体而言，TWM-PNA为DAS系统提供了一种新颖的计算框架，为DAS与高速计算系统的全光融合铺平了道路。这项研究是迈向下一代基础设施监控技术的重要一步，能够实时处理大量传感器数据。如果幸运的话，释放DAS的真正力量可以改变关键基础设施保护、地震监测和运输安全方面的应用。
如果朋友们喜欢，敬请关注“知新了了”！