I Chip Fotonici Sembrano Migliorare Notevolmente la Velocità dei Processi di Intelligenza Artificiale

Un team di ricercatori ha recentemente applicato i processori fotonici alle applicazioni di intelligenza artificiale, dimostrando che i processori fotonici possono superare notevolmente la capacità di elaborazione delle informazioni dei chip elettronici tradizionali.

Il team di ricerca ha sviluppato una nuova architettura di chip e un approccio che combina le capacità di archiviazione e elaborazione dei dati in un unico dispositivo. I chip sono stati realizzati con materiali a cambiamento di fase (come quelli utilizzati nei DVD). I processori fotonici (a base di luce) sono utilizzati per produrre un chip di computer in grado di eseguire calcoli ad alta velocità, e in uno studio recentemente pubblicato su Nature, il team di ricerca è stato in grado di dimostrare che questi nuovi chip sono stati in grado di migliorare notevolmente i chip elettronici tradizionali, grazie alla loro capacità di elaborare rapidamente le informazioni in parallelo.

Moltiplicazioni Matrici-Vettori

Le reti neurali che sottostanno a molte delle applicazioni di intelligenza artificiale più all’avanguardia operano attraverso moltiplicazioni matrici-vettori. Il team di ricerca ha creato un sistema di accelerazione basato su hardware che consente di eseguire queste moltiplicazioni in parallelo. I chip ottici sfruttano il fatto che diverse lunghezze d’onda di luce non si interferiscono a vicenda, il che significa che possono essere utilizzati per eseguire calcoli in parallelo. Il team di ricerca ha fatto affidamento su un “comb di frequenza” sviluppato dall’EPFL, utilizzandolo come sorgente di luce per fornire al chip fotonico le diverse lunghezze d’onda.

Lo sviluppo del comb di frequenza è stato guidato dal professor Tobias Kippenberg dell’EPFL. Kippenburg è uno degli autori principali dello studio, insieme al coautore Wolfram Pernice dell’Università di Münster. Secondo Pernice, i processori a base di luce possono velocizzare i compiti computazionalmente intensivi coinvolti nell’apprendimento automatico, eseguendo calcoli a velocità ancora più elevate di quelle dei hardware specializzati come le Tensor Processing Unit (TPU) e le GPU più avanzate.

Addestramento di Reti Neurali

Dopo che i chip fotonici sono stati progettati e costruiti, i ricercatori li hanno sottoposti a test eseguendo un’analisi su una rete neurale progettata per riconoscere numeri scritti a mano. Il processo di addestramento della rete neurale ha sfruttato la multiplessazione delle lunghezze d’onda abilitata dai chip, e ha raggiunto tassi di dati e densità di calcolo più elevati di quanto mai raggiunto in precedenza.

Come ha spiegato Johannes Feldmann, autore principale dello studio e studente di dottorato all’Università di Münster, via TechXplore:

“L’operazione convoluzionale tra dati di input e uno o più filtri – che può essere un’evidenziazione dei bordi in una foto, ad esempio – può essere trasferita molto bene alla nostra architettura matriciale. Sfruttando la luce per il trasferimento del segnale, il processore può eseguire l’elaborazione dei dati in parallelo attraverso la multiplessazione delle lunghezze d’onda, il che porta a una maggiore densità di calcolo e a molte moltiplicazioni matrici eseguite in un solo passo.”

Il lavoro è notevole grazie al fatto che potrebbe consentire di addestrare le reti neurali su grandi set di dati in una frazione del tempo tipico necessario per addestrare una rete. Man mano che i big data diventano sempre più grandi, gonfiati da Internet delle cose e dalla crescente proliferazione di dispositivi intelligenti, gli scienziati dei dati avranno bisogno di nuovi modi per mantenere i tempi di addestramento su grandi set di dati il più basso possibile. I circuiti elettronici tradizionali operano generalmente nella gamma dei bassi GHz, mentre le velocità di modulazione ottica possono raggiungere la gamma da 50 GHz a 100 GHz.

La ricerca potrebbe avere importanti implicazioni per applicazioni come il cloud computing, l’imaging medico e i veicoli autonomi, che richiedono tutti la capacità di elaborare grandi volumi di dati provenienti da molteplici fonti il più rapidamente possibile.

Il progetto di ricerca è stato il risultato di una collaborazione tra un team internazionale di ricercatori dell’Università di Pitt, dell’Università di Münster in Germania, delle università di Exeter e Oxford in Inghilterra, di IBM Zurich e dell’École Polytechnique Fédérale (EPFL) in Svizzera.