Forscher entwickeln leistungsstärksten neuromorphen Prozessor für KI

In einem großen Sprung nach vorne auf dem Gebiet der künstlichen Intelligenz (KI) hat ein internationales Forscherteam unter der Leitung der Swinburne University of Technology den leistungsstärksten neuromorphen Prozessor für KI entwickelt. Er arbeitet mit einer atemberaubenden Rate von über 10 Billionen Operationen pro Sekunde (TeraOps/s), was bedeutet, dass er ultra-große Datenmengen verarbeiten kann.

Die Arbeit wurde in der Zeitschrift Nature veröffentlicht.

Unter der Leitung von Swinburnes Professor David Moss, Dr. Xingyuan Xu und dem renommierten Professor Arnan Mitchell von der RMIT University beschleunigte das Team die Rechengeschwindigkeit und die Verarbeitungsleistung. Sie konnten einen optischen neuromorphen Prozessor erstellen, der über 1.000 Mal schneller arbeiten kann als alle bisherigen. Das System kann auch ultra-große Bilder verarbeiten, was für die Gesichtserkennung wichtig ist, da bisherige optische Prozessoren in dieser Hinsicht versagt haben.

Professor Moss ist Direktor des Optical Sciences Centre der Swinburne und wurde von The Australian als einer der besten australischen Forscher auf dem Gebiet der Physik und Mathematik im Bereich Optik und Photonik benannt.
“Durchbruch wurde mit ‘optischen Micro-Combs’ erreicht, wie auch unsere Weltrekord-Internet-Datengeschwindigkeit im Mai 2020”, sagte er.

Andere Top-Prozessoren und Micro-Combs

 Top-elektronische Prozessoren wie der Google TPU können mit über 100 TeraOps/s arbeiten. Allerdings benötigt er dafür Zehntausende parallele Prozessoren, während das Teams optisches System nur auf einem einzigen Prozessor basiert. Sie erreichten dies, indem sie eine neue Technik anwendeten, bei der die Daten gleichzeitig in Zeit, Wellenlänge und räumlichen Dimensionen durch eine integrierte Micro-Comb-Quelle verflochten werden.

Für diejenigen, die sich nicht bewusst sind, was Micro-Combs sind, handelt es sich um neue Geräte, die aus Hunderten von hochwertigen Infrarotlasern auf einem Chip bestehen. Im Vergleich zu anderen optischen Quellen sind Micro-Combs viel schneller, leichter und günstiger.

“Seit ich vor 10 Jahren die integrierten Micro-Comb-Chips mitentwickelt habe, sind sie enorm wichtig geworden und es ist wirklich aufregend, zu sehen, wie sie diese riesigen Fortschritte in der Informationskommunikation und -verarbeitung ermöglichen”, sagt Professor Moss. “Micro-Combs bieten enormes Potenzial, um den unstillbaren Bedarf der Welt an Informationen zu decken.”

Prozessor der Zukunft

Dr. Xu war Co-Autor der Studie und ist ein Swinburne-Alumni und Postdoktorand am Electrical and Computer Systems Engineering Department der Monash University.

“Dieser Prozessor kann als universeller Ultraband-Breitband-Frontend für jeden neuromorphen Hardware – optisch oder elektronisch basiert – dienen und bringt maschinelles Lernen für Echtzeit-Ultraband-Breitband-Daten in Reichweite”, sagt Dr. Xu.

“Wir bekommen einen Vorgeschmack darauf, wie die Prozessoren der Zukunft aussehen werden. Es zeigt uns wirklich, wie dramatisch wir die Leistung unserer Prozessoren durch die innovative Verwendung von Microcombs skalieren können”, fährt er fort.

Laut RMITs Professor Mitchell “ist diese Technologie auf alle Arten von Verarbeitung und Kommunikation anwendbar – sie wird einen enormen Einfluss haben. Langfristig hoffen wir, vollständig integrierte Systeme auf einem Chip zu realisieren, was die Kosten und den Energieverbrauch enorm reduzieren wird.”

Professor Damien Hicks unterstützt das Forscherteam und ist von Swinburne und dem Walter und Elizabeth Hall Institute.

“Convolutional Neural Networks waren zentral für die künstliche Intelligenz-Revolution, aber die bestehende Siliziumtechnologie stellt zunehmend einen Engpass bei der Verarbeitungsgeschwindigkeit und Energieeffizienz dar”, sagt Professor Hicks.

“Dieser Durchbruch zeigt, wie eine neue optische Technologie solche Netze schneller und effizienter macht und ist eine tiefgreifende Demonstration der Vorteile des interdisziplinären Denkens, indem man eine Idee aus einem Bereich nimmt und sie verwendet, um ein grundlegendes Problem in einem anderen Bereich zu lösen”, fährt er fort.