Φωτονικοί Πυρήνες Φαίνεται να Αυξάνουν Καταπληκτικά την Ταχύτητα των Διεργασιών του AI

Μια ομάδα ερευνητών εφαρμόσε πρόσφατα φωτονικούς επεξεργαστές σε εφαρμογές τεχνητής νοημοσύνης, αποδεικνύοντας ότι οι φωτονικοί επεξεργαστές μπορούν να ξεπεράσουν σημαντικά την ικανότητα επεξεργασίας πληροφοριών των κανονικών ηλεκτρονικών chip.

Η ερευνητική ομάδα ανέπτυξε μια νέα αρχιτεκτονική chip και μια προσέγγιση που συνδυάζει την αποθήκευση δεδομένων και την επεξεργασία δεδομένων σε một συσκευή. Τα chip κατασκευάστηκαν με υλικά φάσης (όπως αυτά που χρησιμοποιούνται στα DVD). Οι φωτονικοί (βασισμένοι στο φως) επεξεργαστές χρησιμοποιούνται για να παράγουν ένα chip υπολογιστή που μπορεί να εκτελεί υπολογισμούς σε υψηλές ταχύτητες, και σε μια μελέτη που δημοσιεύθηκε πρόσφατα στο Nature, η ερευνητική ομάδα ήταν σε θέση να αποδείξει ότι αυτά τα νέα chip ήταν σε θέση να βελτιώσουν σημαντικά τα παραδοσιακά ηλεκτρονικά chip, χάρη στην ικανότητά τους να επεξεργαστούν γρήγορα πληροφορίες σε παράλληλο τρόπο.

Πολλαπλές Διανυσματικές Πολλαπλασιασμοί

Τα νευρωνικά δίκτυα που υποκρύπτουν πολλές από τις πιο προηγμένες εφαρμογές του AI λειτουργούν μέσω πολλαπλών διανυσματικών πολλαπλασιασμών. Η ερευνητική ομάδα δημιούργησε ένα σύστημα επιτάχυνσης που βασίζεται στην υλική επιτάχυνση, το οποίο επιτρέπει αυτούς τους πολλαπλασιασμούς να εκτελεστούν σε παράλληλο τρόπο. Οι οπτικοί chip επωφελούνται από το γεγονός ότι διαφορετικά μήκη κύματος του φωτός δεν 干擾ουν ο ένας τον άλλον, γεγονός που σημαίνει ότι μπορούν να χρησιμοποιηθούν για να εκτελεστούν υπολογισμοί σε παράλληλο τρόπο. Η ερευνητική ομάδα βασίστηκε σε ένα “συμβολικό συνδυασμό” που αναπτύχθηκε από το EPFL, χρησιμοποιώντας το ως πηγή φωτός για να παρέχει στο φωτονικό chip τα διάφορα μήκη κύματος.

Η ανάπτυξη του συμβολικού συνδυασμού ηγήθηκε από τον Καθηγητή Tobias Kippenberg στο EPFL. Ο Kippenburg είναι ένας από τους βασικούς συγγραφείς της μελέτης μαζί με τον συν-συγγραφέα Wolfram Pernice από το Πανεπιστήμιο του Münster. Σύμφωνα με τον Pernice, οι φωτονικοί επεξεργαστές μπορούν να αυξήσουν την ταχύτητα των υπολογιστικών εργασιών που εμπλέκονται στη μηχανική μάθηση, εκτελώντας υπολογισμούς σε ακόμη υψηλότερες ταχύτητες από ειδικά υλικό όπως οι Μονάδες Επεξεργασίας Τενσόρ (TPU) και οι πιο προηγμένες GPU.

Εκπαίδευση Νευρωνικών Δικτύων

Μετά την κατασκευή των φωτονικών chip, οι ερευνητές τους έθεσαν σε λειτουργία, δοκιμάζοντάς τους σε ένα νευρωνικό δίκτυο που σχεδιάστηκε για να αναγνωρίσει χειρόγραφους αριθμούς. Η διαδικασία εκπαίδευσης του νευρωνικού δικτύου επωφελήθηκε από το μίξινγκ μήκους κύματος που ενεργοποιήθηκε από τα chip, και ήταν σε θέση να επιτύχει υψηλότερες ταχύτητες δεδομένων και πυκνότητας υπολογισμών από ό,τι είχε επιτευχθεί ποτέ πριν.

Όπως εξήγησε ο Johannes Feldmann, ο βασικός συγγραφέας της μελέτης και φοιτητής στο Πανεπιστήμιο του Münster μέσω TechXplore:

“Η συνβολική λειτουργία μεταξύ εισερχόμενων δεδομένων και ενός ή περισσότερων φίλτρων – που μπορεί να είναι η ενίσχυση των ακμών σε μια φωτογραφία, για παράδειγμα – μπορεί να μεταφερθεί πολύ καλά στη ματρική αρχιτεκτονική μας. Η εκμετάλλευση του φωτός για τη μεταφορά σημάτων επιτρέπει στον επεξεργαστή να εκτελεί παράλληλη επεξεργασία δεδομένων μέσω του μίξινγκ μήκους κύματος, το οποίο οδηγεί σε υψηλότερη πυκνότητα υπολογισμών και πολλές ματρικές πολλαπλασιασμοί να εκτελούνται σε ένα seul βήμα.”

Το έργο είναι αξιοσημείωτο λόγω του γεγονότος ότι θα μπορούσε να επιτρέψει στα νευρωνικά δίκτυα να εκπαιδευτούν σε μεγάλες βάσεις δεδομένων σε ένα που θα μπορούσε να είναι ένα κλάσμα του τυπικού χρόνου που απαιτείται για την εκπαίδευση ενός δικτύου. Όσο τα μεγάλα δεδομένα γίνονται ακόμη μεγαλύτερα, φουσκωμένα από το διαδίκτυο των πραγμάτων και την αυξανόμενη διάδοση των έξυπνων συσκευών, οι επιστήμονες δεδομένων θα χρειαστούν νέους τρόπους για να διατηρήσουν τους χρόνους εκπαίδευσης σε μεγάλες βάσεις δεδομένων όσο το δυνατόν χαμηλότερους. Τα παραδοσιακά ηλεκτρονικά συστήματα λειτουργούν συνήθως στην περιοχή των χαμηλών GHz, ενώ οι ταχύτητες модуляції του φωτός μπορούν να φτάσουν μέχρι τα 50 GHz έως 100 GHz.

Η έρευνα θα μπορούσε να έχει σημαντικές επιπτώσεις σε εφαρμογές όπως η υπολογιστική στο σύννεφο, η ιατρική εικόνα και τα αυτόνομα οχήματα, τα οποία όλα απαιτούν την ικανότητα επεξεργασίας μεγάλων όγκων δεδομένων που προέρχονται από πολλές πηγές όσο το δυνατόν γρήγορα.

Το ερευνητικό έργο ήταν αποτέλεσμα μιας συνεργασίας μεταξύ μιας διεθνούς ομάδας ερευνητών από το Πανεπιστήμιο Pitt, το Πανεπιστήμιο του Münster στη Γερμανία, τα Πανεπιστήμια Exeter και Oxford στην Αγγλία, την IBM Zurich και το École Polytechnique Fédérale (EPFL) στην Ελβετία.