Artificial Intelligence
フォトニックチップがAIプロセスの速度を劇的に向上させるようだ
研究者のチーム 最近、フォトニックプロセッサが人工知能に応用されました アプリケーションに適用し、フォトニックプロセッサが大幅に実現できることを実証しています。 通常の電子チップの情報処理能力を上回ります。
研究チームは、データ ストレージとデータ処理機能を XNUMX つのデバイスに組み合わせた新しいチップ アーキテクチャとアプローチを開発しました。 チップは相変化材料 (DVD で使用されているものなど) で作られています。 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 チップの製造に使用されており、最近、米国で発表された研究結果によると、 自然、 研究チームは、これらの新しいチップが、情報を並行して迅速に処理する能力のおかげで、従来の電子チップよりも大幅に改善できることを実証することができました。
行列ベクトルの乗算
最先端の AI アプリケーションの多くの基盤となるニューラル ネットワークは、行列とベクトルの乗算によって動作します。 研究チームは、これらの乗算を並行して実行できるハードウェアベースの加速システムを作成しました。 光学チップは、異なる波長の光が互いに干渉しないという事実を利用しており、これは並列計算の実行に使用できることを意味します。 研究チームはEPFLが開発した「周波数コム」を利用し、フォトニックチップにさまざまな波長を提供する光源として使用した。
周波数コムの開発は、EPFL のトビアス キッペンバーグ教授によって主導されました。キッペンブルク氏は、ミュンスター大学の共著者ヴォルフラム・ペルニス氏とともに、この研究の筆頭著者の一人である。 Pernice 氏によると、光ベースのプロセッサーは、機械学習に伴う計算量の多いタスクを高速化し、Tensor Processing Unit (TPU) や最先端の GPU などの特殊なハードウェアよりもさらに高い速度で計算を実行できます。
ニューラルネットワークトレーニング
フォトニックチップが設計、構築された後、研究者らは手書きの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上でフォトニックチップをテストし、テストを行った。 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になる波長多重化を利用し、これまでに達成されたよりも高いデータ レートとコンピューティング密度を達成することができました。
研究の筆頭著者でミュンスター大学の大学院生であるヨハネス・フェルドマン氏はこう説明する。 TechXplore経由:
「入力データと XNUMX つ以上のフィルターの間の畳み込み演算 (たとえば、写真のエッジの強調表示など) は、当社のマトリックス アーキテクチャに非常にうまく転送できます。 信号転送に光を利用することで、プロセッサは波長多重化を通じて並列データ処理を実行できるようになり、計算密度が向上し、わずか XNUMX つのタイムステップで多くの行列乗算が実行されるようになります。」
この研究は、ネットワークのトレーニングにかかる通常の時間の数分の一で、大規模なデータセット上でニューラル ネットワークをトレーニングできる可能性があるという事実のおかげで注目に値します。 モノのインターネットとスマート デバイスの普及によりビッグ データがますます増大するにつれ、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する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、光変調速度は最大 50 GHz ~ 100 GHz の範囲に達することがあります。
この研究は、複数のソースから発生する大量のデータをできるだけ早く処理する能力を必要とするクラウド コンピューティング、医療画像処理、自動運転車などのアプリケーションに重要な影響を与える可能性があります。
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、イギリス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、スイスのエコール工科大学(EPFL)の国際研究者チームの共同研究の成果である。