Fotonicke brikker ser ut til å øke hastigheten på AI-prosesser dramatisk

Et team av forskere søkte nylig å bruke fotonicke prosessorer til kunstig intelligens, og viste at fotonicke prosessorer kan overgå den informasjonsbehandlingskapasiteten til vanlige elektroniske brikker.

Forskingsteamet utviklet en ny brikkearkitektur og tilnærming som kombinerer datalagring og dataprosessering i én enhet. Brikken ble laget med faseendringsmaterialer (som de som brukes i DVD-er). Fotonicke (lysbaserte) prosessorer brukes til å produsere en datamaskinbrikke som kan utføre beregninger med høye hastigheter, og i en studie som nylig ble publisert i Nature, kunne forskingsteamet vise at disse nye brikken kunne overgå tradisjonelle elektroniske brikker takket være deres evne til å raskt prosessere informasjon parallelt.

Matris-vektor-multiplikasjoner

De neurale nettverkene som ligger til grunn for mye av de mest avanserte AI-applikasjonene opererer gjennom matris-vektor-multiplikasjoner. Forskingsteamet utviklet et maskinbasert akselerasjonssystem som muliggjør at disse multiplikasjonene kan utføres parallelt. De optiske brikken tar fordelen av at forskjellige lysspekter ikke forstyrer hverandre, noe som betyr at de kan brukes til å utføre beregninger parallelt. Forskingsteamet brukte en “frekvenskomb” utviklet av EPFL, og brukte den som lyskilde for å gi den fotonicke brikken de forskjellige lysspekterene.

Utviklingen av frekvenskomben ble ledet av professor Tobias Kippenberg ved EPFL. Kippenburg er en av hovedforfatterne av studien, sammen med medforfatter Wolfram Pernice fra Münster Universitet. Ifølge Pernice kan lyssbaserte prosessorer øke hastigheten på de beregningsintensive oppgavene som er involvert i maskinlæring, og utføre beregninger med enda høyere hastigheter enn spesialisert maskinvare som Tensor Processing Units (TPU-er) og de mest avanserte GPU-ene.

Neuralt nettverks-trening

Etter at de fotonicke brikken var designet og bygget, testet forskerne dem på et neuralt nettverk som var designet for å gjenkjenne håndskrevne tall. Nettverkstreningsprosessen tok fordelen av den bølgelengdemultiplexing som var mulig med brikken, og den kunne oppnå høyere datarater og beregningsdensiteter enn noensinne før.

Som Johannes Feldmann, hovedforfatter av studien og masterstudent ved Münster Universitet forklarte via TechXplore:

“Konvolusjonsoperasjonen mellom inndata og ett eller flere filter – som for eksempel kan være en markering av kanter i et bilde – kan overføres svært godt til vår matrisarkitektur. Å utnytte lys for signaloverføring gjør det mulig for prosessoren å utføre parallell dataprosessering gjennom bølgelengdemultiplexing, noe som fører til en høyere beregningsdensitet og mange matrisemultiplikasjoner som kan utføres på bare ett tidssteg.”

Arbeidet er bemerkelsesverdig fordi det kan tillate neurale nettverk å bli trenet på store datamengder på en brøkdel av den vanlige tiden det tar å trene et nettverk. Når stor data blir enda større, blåst opp av internettet og den økende utbredelsen av smarte enheter, vil dataforskere trenge nye måter å holde trenings tidene på store datamengder så lavt som mulig på. Tradisjonell elektronikk opererer vanligvis i lav GHz-område, mens optisk modulasjonshastigheter kan nå opp til 50 GHz til 100 GHz-området.

Forskningen kan ha viktige implikasjoner for applikasjoner som skytjenester, medisinske bilder og autonome kjøretøy, som alle krever evnen til å prosessere store mengder data fra multiple kilder så raskt som mulig.

Forskningsprosjektet var et resultat av et samarbeid mellom et internasjonalt team av forskere fra Pitt Universitet, Münster Universitet i Tyskland, Englands Exeter og Oxford Universiteter, IBM Zurich og École Polytechnique Fédérale (EPFL) i Sveits.