Fotonicke Chippen Synes at Øge Hastigheden af AI-Processer Dramatisk

Et hold af forskere appliede nylig fotonic processorer til kunstig intelligens-applikationer, og demonstrerede, at fotonic processorer kan overgå den informationsbehandlingskapacitet af normale elektroniske chip.

Forskerholdet udviklede en ny chip-arkitektur og tilgang, der kombinerer dataopbevaring og dataprocesseringsfunktioner i en enkelt enhed. Chippenne blev lavet med fase-ændringsmaterialer (som dem, der bruges i DVD’er). Fotonic (lysbaserede) processorer bruges til at producere en computerchip, der kan udføre beregninger med høj hastighed, og i en studie, der nylig blev offentliggjort i Nature, kunne forskerholdet demonstrere, at disse nye chip var i stand til at betydeligt forbedre traditionelle elektroniske chip, takket være deres evne til at hurtigt behandle information i parallel.

Matrix-vektor-multiplicationer

De neurale netværk, der ligger til grund for mange af de mest avancerede AI-applikationer, opererer gennem matrix-vektor-multiplicationer. Forskerholdet oprettede et hardware-baseret accelerationsystem, der muliggør disse multiplicationer at udføres i parallel. De optiske chip udnytter, at forskellige lynglængder ikke forstyrer hinanden, hvilket betyder, at de kan bruges til at udføre beregninger i parallel. Forskerholdet afhængigt af en “frekvenskam” udviklet af EPFL, og brugte den som lyskilde til at forsyne den fotonic chip med de forskellige lynglængder.

Udviklingen af frekvenskammen blev ledet af professor Tobias Kippenberg på EPFL. Kippenburg er en af hovedforfatterne af studiet sammen med medforfatteren Wolfram Pernice fra Münster Universitet. Ifølge Pernice kan lys-baserede processorer accelerere de beregningsintensive opgaver, der er involveret i maskinlæring, og udføre beregninger med endnu højere hastighed end specialiseret hardware som Tensor Processing Units (TPU’er) og de mest avancerede GPU’er.

Neuralt netværks-træning

Efter at de fotonic chip var designede og bygget, testede forskerne dem ved at teste dem på et neuralt netværk, der var designet til at genkende håndskrevne tal. Netværkstræningsprocessen udnyttede bølgelængdemultiplexeringen, der var aktiveret af chippenne, og det var i stand til at opnå højere datahastigheder og beregningsdensiteter end nogensinde før.

Som Johannes Feldmann, hovedforfatter af studiet og studerende på Münster Universitet forklarede via TechXplore:

“Konvolutionsoperationen mellem inputdata og en eller flere filtre – som kan være en fremhævning af kanter i et billede, for eksempel – kan overføres meget godt til vores matrix-arkitektur. At udnytte lys til signaloverføring ermögiller processoren at udføre parallelt dataprocessing gennem bølgelængdemultiplexering, hvilket fører til en højere beregningsdensitet og mange matrix-multiplicationer, der udføres på kun ét tidssteg.”

Arbejdet er bemærkelsesværdigt på grund af det faktum, at det kunne tillade neurale netværk at blive trænet på store datasæt i, hvad der kunne være en brøkdel af den typiske tid, det tager at træne et netværk. Da big data bliver større og større, opblæst af internet of things og den øgede udbredelse af smarte enheder, vil datavidenskabsfolk behøve nye måder at holde træningstider på massive datasæt så lavt som muligt. Traditionel elektronik opererer typisk i det lave GHz-område, mens optisk moduleringshastighed kan nå op til 50 GHz til 100 GHz-området.

Forskningen kunne have vigtige implikationer for applikationer som cloud computing, medicinsk billedbehandling og autonome køretøjer, der alle kræver evnen til at behandle store mængder data fra multiple kilder så hurtigt som muligt.

Forskningsprojektet var resultatet af et samarbejde mellem et internationalt hold af forskere fra Pitt Univesity, Universitetet i Münster i Tyskland, Englands Exeter og Oxford Universiteter, IBM Zurich og École Polytechnique Fédérale (EPFL) i Schweiz.