フォトニックチップはAIプロセスの速度を劇的に高める

研究チームは、最近、フォトニックプロセッサを人工知能アプリケーションに適用し、フォトニックプロセッサが通常の電子チップの情報処理能力を大幅に上回ることを実証しました。

研究チームは、新しいチップアーキテクチャとアプローチを開発し、データストレージとデータ処理機能を1つのデバイスに統合しました。チップは、DVDに使用されているような相変化材料で作られました。フォトニック（光ベース）プロセッサは、高速で計算を実行できるコンピュータチップを生成するために使用され、最近のネイチャー誌に掲載された研究では、研究チームは、これらの新しいチップが従来の電子チップを大幅に上回ることができることを実証しました。これは、情報を並列に高速に処理できる能力によるものです。

行列ベクトル乗算

最先端のAIアプリケーションの基盤となるニューラルネットワークは、行列ベクトル乗算を介して動作します。研究チームは、これらの乗算を並列に実行できるハードウェアベースのアクセラレーションシステムを作成しました。光チップは、異なる光の波長が互いに干渉しないという事実を利用して、計算を並列に実行できます。研究チームは、EPFLによって開発された「周波数コンブ」を使用し、それを光源としてフォトニックチップにさまざまな波長を提供しました。

周波数コンブの開発は、EPFLのトビアス・キッペンベルク教授によって主導されました。キッペンベルクは、ミュンスター大学のヴォルフガング・ペルニッツとともに研究の主要著者です。ペルニッツによると、光ベースのプロセッサは、機械学習に関連する計算集中タスクを高速化できます。さらに、専用ハードウェアであるTensor Processing Units（TPUs）や最先端のGPUよりも高速に計算を実行できます。

ニューラルネットワークのトレーニング

フォトニックチップが設計され、構築された後、研究者は、手書き数字を認識するように設計されたニューラルネットワークでそれらをテストしました。ニューラルネットワークのトレーニングプロセスは、チップによって可能な波長多重化を利用し、以前よりも高いデータレートと計算密度を達成しました。

ミュンスター大学の大学院生であり、研究の主要著者であるヨハネス・フェルトマンは、TechXploreを通じて次のように説明しています。

「入力データと1つ以上のフィルタ間の畳み込み演算（例：写真のエッジの強調）は、私たちの行列アーキテクチャに非常に適しています。信号伝達に光を利用することで、プロセッサは波長多重化を介して並列データ処理を実行でき、計算密度が高まり、多くの行列乗算が1つの時間ステップで実行されるようになります。」

この研究は、ニューラルネットワークを大規模なデータセットでトレーニングできる時間を大幅に短縮できる可能性があるため注目に値します。ビッグデータはインターネット・オブ・シングスやスマートデバイスの普及によってさらに増加し、データサイエンティストは大規模なデータセットでのトレーニング時間を可能な限り短く保つための新しい方法が必要になります。従来の電子機器は通常低GHz範囲で動作しますが、光モジュレーションスピードは50 GHzから100 GHzの範囲まで達する可能性があります。

この研究は、クラウドコンピューティング、医療画像処理、自動運転車など、多数のソースからの大量のデータを可能な限り迅速に処理する能力が必要なアプリケーションに重要な影響を及ぼす可能性があります。

この研究プロジェクトは、ピット大学、ドイツのミュンスター大学、イングランドのエクセター大学とオックスフォード大学、IBMチューリッヒ、スイスのエコール・ポリテクニーク・フェデラール（EPFL）からの国際研究チームによるコラボレーションの結果でした。