एआई मॉडल और प्लेटफ़ॉर्म
फोटोनिक चिप्स एआई प्रक्रियाओं की गति को नाटकीय रूप से बढ़ाने के लिए प्रतीत होते हैं
Unite.AI को Google पर अपने पसंदीदा स्रोतों में जोड़ें
एक शोध दल ने हाल ही में कृत्रिम बुद्धिमत्ता अनुप्रयोगों में फोटोनिक प्रोसेसर का अनुप्रयोग किया, यह प्रदर्शित करते हुए कि फोटोनिक प्रोसेसर नियमित इलेक्ट्रॉनिक चिप्स की जानकारी प्रसंस्करण क्षमता को बहुत अधिक पार कर सकते हैं।
शोध टीम ने एक नए चिप आर्किटेक्चर और दृष्टिकोण का विकास किया जो एक ही डिवाइस में डेटा स्टोरेज और डेटा प्रोसेसिंग क्षमताओं को जोड़ती है। चिप्स को फेज-चेंज सामग्री (जैसे डीवीडी में उपयोग की जाने वाली) के साथ बनाया गया था। फोटोनिक (प्रकाश-आधारित) प्रोसेसर का उपयोग एक कंप्यूटर चिप बनाने के लिए किया जाता है जो उच्च गति से गणना कर सकता है, और हाल ही में नेचर में प्रकाशित एक अध्ययन में, शोध दल ने यह प्रदर्शित किया कि ये नए चिप्स पारंपरिक इलेक्ट्रॉनिक चिप्स की तुलना में बहुत अधिक सुधार कर सकते हैं, उनकी जानकारी को तेजी से संसाधित करने की क्षमता के कारण।
मैट्रिक्स-वेक्टर गुणा
कृत्रिम बुद्धिमत्ता के अधिकांश उन्नत अनुप्रयोगों के आधार में न्यूरल नेटवर्क होते हैं जो मैट्रिक्स-वेक्टर गुणा के माध्यम से काम करते हैं। शोध दल ने एक हार्डवेयर-आधारित त्वरण प्रणाली बनाई जो इन गुणाओं को समानांतर में करने में सक्षम बनाती है। प्रकाश चिप्स इस तथ्य का लाभ उठाते हैं कि विभिन्न तरंग दैर्ध्य के प्रकाश एक दूसरे के साथ हस्तक्षेप नहीं करते हैं, जिसका अर्थ है कि वे गणना करने के लिए उपयोग किए जा सकते हैं। शोध दल ने एक “फ्रीक्वेंसी कॉम्ब” का उपयोग किया जो ईपीएफएल द्वारा विकसित किया गया था, इसे प्रकाश स्रोत के रूप में उपयोग किया जाता है जो फोटोनिक चिप को विभिन्न तरंग दैर्ध्य प्रदान करता है।
फ्रीक्वेंसी कॉम्ब के विकास का नेतृत्व ईपीएफएल के प्रोफेसर टोबियास किपेनबर्ग ने किया था। किपेनबर्ग अध्ययन के प्रमुख लेखकों में से एक हैं, साथ ही म्यून्स्टर विश्वविद्यालय के वोल्फगैंग पेरनिस भी हैं। पेरनिस के अनुसार, प्रकाश-आधारित प्रोसेसर मशीन लर्निंग में जटिल कार्यों को तेजी से करने में सक्षम हो सकते हैं, जो गणना को टेंसर प्रोसेसिंग यूनिट (टीपीयू) और सबसे उन्नत जीपीयू जैसे विशेष हार्डवेयर की तुलना में भी तेजी से कर सकते हैं।
न्यूरल नेटवर्क प्रशिक्षण
एक बार फोटोनिक चिप्स का डिज़ाइन और निर्माण किया गया, तो शोधकर्ताओं ने उन्हें एक न्यूरल नेटवर्क पर परीक्षण किया जो हाथ से लिखे गए अंकों को पहचानने के लिए डिज़ाइन किया गया था। न्यूरल नेटवर्क प्रशिक्षण प्रक्रिया ने चिप्स द्वारा सक्षम तरंग दैर्ध्य मल्टीप्लेक्सिंग का लाभ उठाया, और यह उच्च डेटा दर और गणना घनत्व हासिल करने में सक्षम था जो पहले कभी नहीं देखा गया था।
म्यून्स्टर विश्वविद्यालय के स्नातक छात्र और अध्ययन के प्रमुख लेखक जोहान्स फेल्डमैन ने टेकएक्सप्लोर के माध्यम से समझाया:
“इनपुट डेटा और एक या एक से अधिक फिल्टर के बीच की कन्वोल्यूशनल ऑपरेशन – जो एक फोटो में किनारों को हाइलाइट करने का एक उदाहरण हो सकता है – हमारे मैट्रिक्स आर्किटेक्चर में बहुत अच्छी तरह से स्थानांतरित किया जा सकता है। सिग्नल ट्रांसफर के लिए प्रकाश का उपयोग करने से प्रोसेसर को तरंग दैर्ध्य मल्टीप्लेक्सिंग के माध्यम से समानांतर डेटा प्रोसेसिंग करने में सक्षम बनाता है, जिससे गणना घनत्व में वृद्धि होती है और एक ही समय में कई मैट्रिक्स गुणा होते हैं।”
यह काम इसलिए उल्लेखनीय है क्योंकि यह बड़े डेटासेट पर न्यूरल नेटवर्क को प्रशिक्षित करने की अनुमति दे सकता है, जो आमतौर पर प्रशिक्षण के समय का एक अंश हो सकता है। जैसे-जैसे बड़ा डेटा और भी बड़ा होता जा रहा है, इंटरनेट ऑफ थिंग्स और स्मार्ट डिवाइसों की बढ़ती संख्या से, डेटा वैज्ञानिकों को बड़े डेटासेट पर प्रशिक्षण समय को कम रखने के लिए नए तरीकों की आवश्यकता होगी। पारंपरिक इलेक्ट्रॉनिक्स आमतौर पर कम जीएचजेड रेंज में काम करते हैं, जबकि ऑप्टिकल मॉड्यूलेशन गति 50 जीएचजेड से 100 जीएचजेड रेंज तक हो सकती है।
यह शोध क्लाउड कंप्यूटिंग, मेडिकल इमेजिंग और स्वायत्त वाहनों जैसे अनुप्रयोगों के लिए महत्वपूर्ण परिणाम हो सकता है, जिनमें से सभी को बड़ी मात्रा में डेटा को तेजी से संसाधित करने की आवश्यकता होती है जो कई स्रोतों से आते हैं।
इस शोध परियोजना का परिणाम पिट यूनिवर्सिटी, जर्मनी के म्यून्स्टर विश्वविद्यालय, इंग्लैंड के एक्सेटर और ऑक्सफोर्ड विश्वविद्यालय, आईबीएम ज्यूरिख और स्विट्जरलैंड में इकोले पॉलिटेकनिक फेडेरल (ईपीएफएल) के बीच एक अंतरराष्ट्रीय शोधकर्ता टीम के बीच सहयोग का परिणाम था।
