Fotonicke čipy zdá se zvyšují rychlost procesů AI dramaticky

Tým výzkumníků nedávno aplikoval fotonicke procesory na aplikace umělé inteligence, demonstrujíce, že fotonicke procesory mohou výrazně překonat schopnost zpracování informací běžných elektronických čipů.

Výzkumný tým vyvinul novou architekturu čipu a přístup, který kombinuje schopnosti úložiště dat a zpracování dat v jednom zařízení. Čipy byly vyrobeny z fázově změněných materiálů (jako těch, které se používají v DVD). Fotonicke (světlo-založené) procesory se používají k výrobě počítačového čipu, který může provádět výpočty na vysoké rychlosti, a ve studii nedávno zveřejněné v Nature, výzkumný tým byl schopen demonstrovat, že tyto nové čipy byly schopny výrazně zlepšit tradiční elektronické čipy, díky jejich schopnosti rychle zpracovávat informace paralelně.

Maticové vektorové násobení

Neuronové sítě, které jsou základem mnoha nejmodernějších aplikací umělé inteligence, fungují prostřednictvím maticových vektorových násobení. Výzkumný tým vytvořil hardwarově založený akcelerační systém, který umožňuje tato násobení provádět paralelně. Optické čipy využívají skutečnosti, že různé vlnové délky světla se navzájem neovlivňují, což znamená, že je lze použít k provádění výpočtů paralelně. Výzkumný tým využil “frekvenční komb” vyvinutý EPFL, který použil jako zdroj světla pro fotonicke čip s různými vlnovými délkami.

Vývoj frekvenčního kombu byl veden profesorem Tobiasem Kippenbergem na EPFL. Kippenburg je jedním z hlavních autorů studie spolu s spoluautorem Wolframem Pernicem z Münsterské univerzity. Podle Pernice mohou světlo-založené procesory urychlit výpočetně náročné úkoly zapojené do strojového učení, provádějící výpočty na ještě vyšších rychlostech než specializovaný hardware jako Tensor Processing Units (TPU) a nejmodernější GPU.

Školení neuronové sítě

Po navrhnutí a vybudování fotonicke čipů výzkumníci je podrobili testům, testujících je na neuronové síti navržené k rozpoznávání ručně psaných čísel. Proces školení neuronové sítě využil vlnové multiplexování umožněné čipy, a dosáhl vyšších datových rychlostí a hustot výpočtů, než jaké byly dříve dosaženy.

Jak vysvětlil Johannes Feldmann, hlavní autor studie a doktorand na Münsterské univerzitě prostřednictvím TechXplore:

“Konvoluční operace mezi vstupními daty a jedním nebo více filtry – které mohou být například zvýrazněním hran v fotografii – lze velmi dobře přenést do naší maticové architektury. Využití světla pro přenos signálu umožňuje procesoru provádět paralelní zpracování dat prostřednictvím vlnového multiplexování, což vede k vyšší hustotě výpočtů a mnoha maticovým násobením provedeným v jednom časovém kroku.”

Práce je pozoruhodná díky skutečnosti, že by mohla umožnit neuronovým sítím být školeny na velkých datech v čase, který by mohl být zlomek typického času potřebného k školení sítě. Když se velké údaje stávají ještě většími, zanášenými internetem věcí a rostoucí proliferací chytrých zařízení, datové vědci budou potřebovat nové způsoby, jak udržet časy školení na masivních datech co nejnižší. Tradiční elektronika obvykle funguje v rozmezí nízkých GHz, zatímco optická modulace může dosahovat rychlostí až 50 GHz až 100 GHz.

Výzkum by mohl mít důležité implikace pro aplikace, jako je cloud computing, lékařské zobrazování a autonomní vozidla, které všechny vyžadují schopnost zpracovávat velké objemy dat pocházejících z多ných zdrojů co nejrychleji.

Výzkumný projekt byl výsledkem spolupráce mezinárodního týmu výzkumníků z Pitt Univesity, Münsterské univerzity v Německu, anglických univerzit Exeter a Oxford, IBM Zurich a École Polytechnique Fédérale (EPFL) ve Švýcarsku.