Фотонные чипы似乎 значительно увеличивают скорость процессов ИИ

Команда исследователей недавно применила фотонные процессоры к приложениям искусственного интеллекта, продемонстрировав, что фотонные процессоры могут значительно превосходить способность обработки информации обычных электронных чипов.

Исследовательская команда разработала новую архитектуру чипа и подход, который объединяет возможности хранения и обработки данных в одном устройстве. Чипы были изготовлены с использованием фазовых материалов (podobных тем, которые используются в DVD). Фотонные (световые) процессоры используются для создания компьютерного чипа, который может выполнять вычисления с высокой скоростью, и в недавно опубликованном исследовании в Nature исследовательская команда смогла продемонстрировать, что эти новые чипы могут значительно улучшить традиционные электронные чипы благодаря своей способности быстро обрабатывать информацию параллельно.

Умножения матрицы и вектора

Нейронные сети, которые лежат в основе многих передовых приложений ИИ, работают через умножения матрицы и вектора. Исследовательская команда создала аппаратную систему ускорения, которая позволяет выполнять эти умножения параллельно. Оптические чипы используют тот факт, что разные длины волн света не взаимодействуют друг с другом, что означает, что они могут быть использованы для выполнения вычислений параллельно. Исследовательская команда использовала “frequency comb”, разработанный EPFL, в качестве источника света для фотонного чипа.

Разработка frequency comb была возглавлена профессором Тобиасом Киппенбергом в EPFL. Киппенберг является одним из ведущих авторов исследования вместе с соавтором Вольфрамом Перницем из Мюнстерского университета. Согласно Перницу, световые процессоры могут ускорить вычислительные задачи, связанные с машинным обучением, выполняя вычисления на более высоких скоростях, чем специализированное оборудование, такое как Tensor Processing Units (TPU) и самые передовые GPU.

Обучение нейронной сети

После того, как фотонные чипы были спроектированы и построены, исследователи протестировали их на нейронной сети, предназначенной для распознавания рукописных цифр. Процесс обучения нейронной сети использовал мультиплексирование длин волн, обеспечиваемое чипами, и 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:

«Конвольюционная операция между входными данными и одним или несколькими фильтрами — которая может быть выделением краев на фотографии, например — может быть легко переведена в нашу матричную архитектуру. Использование света для передачи сигнала позволяет процессору выполнять параллельную обработку данных через мультиплексирование длин волн, что приводит к более высокой плотности вычислений и многим матричным умножениям, выполняемым за один такт.»

Эта работа примечательна тем, что она может позволить нейронным сетям быть обученными на больших наборах данных за долю времени, необходимую для обучения сети. Поскольку большие данные становятся все больше и больше, подогреваемые интернетом вещей и растущим распространением умных устройств, специалистам по данным понадобятся новые способы поддержания времени обучения на больших наборах данных как можно ниже. Традиционная электроника обычно работает в диапазоне низких ГГц, в то время как скорости оптической модуляции могут достигать 50 ГГц до 100 ГГц.

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

Исследовательский проект был результатом сотрудничества между международной командой исследователей из Университета Питта, Мюнстерского университета в Германии, Эксетерского и Оксфордского университетов в Англии, IBM Zurich и École Polytechnique Fédérale (EPFL) в Швейцарии.