Fotonicke Chipser synes at øge hastigheden af AI-processer dramatisk

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

Forskningsholdet udviklede en ny chiparkitektur og tilgang, der kombinerer dataopbevaring og dataprocessering i én enhed. Chipene blev lavet med faseændringsmaterialer (som dem, der bruges i DVD’er). Fotonic (lys-baserede) 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 forskningsholdet demonstrere, at disse nye chip var i stand til at overgå traditionelle elektroniske chip, takket være deres evne til at behandle information hurtigt 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. Forskningsholdet oprettede et hardware-baseret accelerationsystem, der muliggør disse multiplicationer at udføres i parallel. De optiske chip udnytter, at forskellige lysfrekvenser ikke forstyrer hinanden, hvilket betyder, at de kan bruges til at udføre beregninger i parallel. Forskningsholdet brugte en “frekvenskam” udviklet af EPFL som lyskilde til at forsyne den fotonic chip med de forskellige lysfrekvenser.

Udviklingen af frekvenskammen blev ledet af professor Tobias Kippenberg fra EPFL. Kippenberg er en af hovedforfatterne af studiet sammen med medforfatter 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 designet og bygget, testede forskerne dem på et neuralt netværk, der var designet til at genkende håndskrevne tal. Neuralt netværks-træningsprocessen udnyttede den bølgelængdemultiplexering, der var mulig med chipene, og det lykkedes at opnå højere datahastigheder og beregningsdensiteter end nogensinde før.

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

“Konvolutionsoperationen mellem inputdata og en eller flere filtre – som f.eks. en markering af kanter i et billede – kan overføres meget godt til vores matrixarkitektur. At udnytte lys til signaloverføring gør, at processoren kan udføre parallel databehandling gennem bølgelængdemultiplexering, hvilket fører til en højere beregningsdensitet og mange matrixmultiplicationer, der udføres på blot ét tidssteg.”

Arbejdet er bemærkelsesværdigt, da det kan muliggøre, at neurale netværk kan trænes på store datasæt på en brøkdel af den tid, det normalt tager at træne et netværk. Da big data bliver større og større, og påvirket af internet of things og den øgede udbredelse af smarte enheder, vil dataforskere have brug for nye måder at holde træningstiderne på store datasæt så lavt som muligt på. Traditionel elektronik opererer normalt i det lave GHz-område, mens optisk modulationshastigheder kan nå op til 50 GHz til 100 GHz-området.

Forskningen kan 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 Universitet, Münster Universitet i Tyskland, Englands Exeter og Oxford Universiteter, IBM Zurich og École Polytechnique Fédérale (EPFL) i Schweiz.