Φωτονικοί Πίνακες Φαίνεται να Αυξάνουν Δραματικά την Ταχύτητα των Διεργασιών του AI

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

Η ερευνητική ομάδα ανέπτυξε eine νέα αρχιτεκτονική chip και μια προσέγγιση που συνδυάζει την αποθήκευση δεδομένων και την επεξεργασία δεδομένων σε μια seule συσκευή. Τα chip κατασκευάστηκαν με υλικά αλλαγής φάσης (όπως αυτά που χρησιμοποιούνται στα DVD). Φωτονικοί (βασισμένοι στο φως) επεξεργαστές χρησιμοποιούνται για την παραγωγή ενός υπολογιστικού chip που μπορεί να εκτελέσει 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能够 να βελτιώσουν σημαντικά τα παραδοσιακά ηλεκτρονικά chip, χάρη στην ικανότητά τους να επεξεργαστούν γρήγορα τις πληροφορίες σε παράλληλο.

Πολλαπλασιασμός Πινάκων-Διάνυσματος

Τα νευρωνικά δίκτυα που υποστηρίζουν πολλές από τις πιο προηγμένες εφαρμογές του AI λειτουργούν μέσω πολλαπλασιασμών πινάκων-διάνυσματος. Η ερευνητική ομάδα δημιούργησε ένα σύστημα επιτάχυνσης βασισμένο στο υλικό που επιτρέπει αυτούς τους πολλαπλασιασμούς να εκτελεστούν σε παράλληλο. Τα οπτικά chip επωφελούνται από το γεγονός ότι διαφορετικά μήκη κύματος του φωτός δεν παρεμβαίνουν μεταξύ τους, γεγονός που σημαίνει ότι μπορούν να χρησιμοποιηθούν για την εκτέλεση υπολογισμών σε παράλληλο. Η ερευνητική ομάδα βασίστηκε σε ένα “συμβολαιογραφικό συνδυασμό” που αναπτύχθηκε από το EPFL, χρησιμοποιώντας το ως πηγή φωτός για να παρέχει στο φωτονικό chip τα διάφορα μήκη κύματος.

Η ανάπτυξη του συμβολαιογραφικού συνδυασμού ηγήθηκε από τον Καθηγητή Tobias Kippenberg στο EPFL. 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 επεξεργαστές βασισμένοι στο φως μπορούν να επιταχύνουν τις υπολογιστικά εντατικές εργασίες που συμμετέχουν στην μηχανική μάθηση, εκτελώντας υπολογισμούς σε ακόμη υψηλότερες ταχύτητες από το εξειδικευμένο υλικό όπως οι Μονάδες Επεξεργασίας Τενσόρ (TPU) και οι πιο προηγμένες GPU.

Εκπαίδευση Νευρωνικού Δικτύου

Μετά την σχεδίαση και την κατασκευή των φωτονικών chip, οι ερευνητές τους έβαλαν σε δοκιμή, δοκιμάζοντάς τους σε ένα νευρωνικό δίκτυο που σχεδιάστηκε για να αναγνωρίσει χειρόγραφους αριθμούς. Η διαδικασία εκπαίδευσης του νευρωνικού δικτύου επωφελήθηκε από το мульτιπλέξινγκ μήκους κύματος που ενεργοποιήθηκε από τα chip, και ήταν σε θέση να επιτύχει υψηλότερες ταχύτητες δεδομένων και πυκνότητας υπολογισμού από ότι 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 – η οποία μπορεί να είναι μια強ίζοντας των ακμών σε μια φωτογραφία, για παράδειγμα – μπορεί να μεταφερθεί πολύ καλά στην αρχιτεκτονική μας πίνακα. Η εκμετάλλευση του φωτός για τη μεταφορά σήματος επιτρέπει στον επεξεργαστή να εκτελεί παράλληλη επεξεργασία δεδομένων μέσω του мульτιπλέξινγκ μήκους κύματος, το οποίο οδηγεί σε υψηλότερη πυκνότητα υπολογισμού και πολλές πολλαπλασιασμοί πινάκων-διάνυσματος να εκτελούνται σε ένα seul βήμα.”

Το έργο είναι αξιοσημείωτο λόγω του γεγονότος ότι θα μπορούσε να επιτρέψει τα νευρωνικά δίκτυα να εκπαιδευτούν σε μεγάλες βάσεις δεδομένων σε quello που θα μπορούσε να είναι ένα κλάσμα του τυπικού χρόνου που χρειάζεται 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 модуляции του φωτός μπορούν να φτάσουν μέχρι την περιοχή των 50 GHz έως 100 GHz.

Η έρευνα θα μπορούσε να έχει σημαντικές επιπτώσεις για εφαρμογές όπως η υπολογιστική στο cloud, η ιατρική απεικόνιση και τα αυτόνομα οχήματα, τα οποία όλα απαιτούν την ικανότητα να επεξεργαστούν μεγάλες ποσότητες δεδομένων που προέρχονται από πολλές πηγές όσο το δυνατόν γρηγορότερα.

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