Фотонные чипы значительно повышают скорость процессов искусственного интеллекта

Команда исследователей недавно применили фотонные процессоры к искусственному интеллекту приложений, демонстрируя, что фотонные процессоры могут значительно превосходят возможности обработки информации обычных электронных чипов.

Исследовательская группа разработала новую архитектуру чипа и подход, который сочетает в себе возможности хранения и обработки данных в одном устройстве. Чипы были сделаны из материалов с фазовым переходом (подобных тем, которые используются в DVD). Фотонные (световые) процессоры используются для производства компьютерного чипа, который может выполнять вычисления на высоких скоростях, и в исследовании, недавно опубликованном в Природа, Исследовательская группа смогла продемонстрировать, что эти новые чипы могут значительно улучшиться по сравнению с традиционными электронными чипами благодаря их способности быстро обрабатывать информацию параллельно.

Матрично-векторные умножения

Нейронные сети, лежащие в основе большинства самых передовых приложений ИИ, работают посредством умножения матрицы на вектор. Исследовательская группа создала аппаратную систему ускорения, которая позволяет выполнять эти умножения параллельно. Оптические чипы используют тот факт, что разные длины волн света не мешают друг другу, а это означает, что их можно использовать для параллельного выполнения вычислений. Исследовательская группа полагалась на «частотную гребенку», разработанную EPFL, используя ее в качестве источника света для обеспечения фотонного чипа различными длинами волн.

Разработку частотной гребенки возглавил профессор Тобиас Киппенберг из EPFL. Киппенбург является одним из ведущих авторов исследования вместе с соавтором Вольфрамом Пернице из Мюнстерского университета. По словам Перниса, процессоры на основе света могут ускорить выполнение ресурсоемких задач, связанных с машинным обучением, выполняя вычисления даже с более высокой скоростью, чем специализированное оборудование, такое как тензорные процессоры (TPU) и самые совершенные графические процессоры.

Обучение нейронной сети

После того, как фотонные чипы были спроектированы и изготовлены, исследователи протестировали их на нейронной сети, предназначенной для распознавания рукописных чисел. В процессе обучения нейронной сети использовалось мультиплексирование длин волн, обеспечиваемое чипами, и он смог достичь более высоких скоростей передачи данных и плотности вычислений, чем когда-либо прежде.

Как объяснил Йоханнес Фельдманн, ведущий автор исследования и аспирант Мюнстерского университета через TechXplore:

«Сверточная операция между входными данными и одним или несколькими фильтрами — например, выделение краев на фотографии — может быть очень хорошо перенесена в нашу матричную архитектуру. Использование света для передачи сигнала позволяет процессору выполнять параллельную обработку данных за счет мультиплексирования длин волн, что приводит к более высокой вычислительной плотности и множеству матричных умножений, выполняемых всего за один временной шаг».

Работа примечательна тем, что она может позволить обучать нейронные сети на больших наборах данных, что может быть частью обычного времени, необходимого для обучения сети. По мере того, как большие данные становятся все больше, раздутые интернетом вещей и растущим распространением интеллектуальных устройств, специалистам по данным потребуются новые способы максимально сократить время обучения на массивных наборах данных. Традиционная электроника обычно работает в низком диапазоне ГГц, тогда как скорость оптической модуляции может достигать диапазона от 50 до 100 ГГц.

Исследование может иметь важные последствия для таких приложений, как облачные вычисления, медицинская визуализация и автономные транспортные средства, которые требуют возможности обрабатывать большие объемы данных, поступающих из нескольких источников, как можно быстрее.

Исследовательский проект стал результатом сотрудничества международной группы исследователей из Университета Питта, Мюнстерского университета в Германии, Эксетерского и Оксфордского университетов в Англии, IBM в Цюрихе и Федеральной политехнической школы (EPFL) в Швейцарии.