Zdá sa, že fotonické čipy dramaticky zvyšujú rýchlosť procesov AI

Tím výskumníkov nedávno aplikoval fotonické procesory na umelú inteligenciu aplikácie, čo dokazuje, že fotonické procesory dokážu výrazne prevyšujú schopnosť spracovania informácií bežné elektronické čipy.

Výskumný tím vyvinul novú architektúru a prístup čipu, ktorý kombinuje možnosti ukladania a spracovania údajov v jednom zariadení. Čipy boli vyrobené z materiálov s fázovou zmenou (ako sú tie, ktoré sa používajú na DVD). Fotonické (svetelné) procesory sa používajú na výrobu počítačového čipu, ktorý dokáže vykonávať výpočty pri vysokých rýchlostiach, a v štúdii nedávno publikovanej v r. príroda výskumnému tímu sa podarilo preukázať, že tieto nové čipy sa dokázali výrazne zlepšiť v porovnaní s tradičnými elektronickými čipmi vďaka ich schopnosti rýchlo paralelne spracovávať informácie.

Maticovo-vektorové násobenia

Neurónové siete, ktoré sú základom väčšiny najmodernejších aplikácií AI, fungujú prostredníctvom násobenia maticových vektorov. Výskumný tím vytvoril hardvérový akceleračný systém, ktorý umožňuje tieto multiplikácie vykonávať paralelne. Optické čipy využívajú skutočnosť, že rôzne vlnové dĺžky svetla sa navzájom nerušia, čo znamená, že môžu byť použité na vykonávanie výpočtov paralelne. Výskumný tím sa spoliehal na „frekvenčný hrebeň“ vyvinutý spoločnosťou EPFL, ktorý ho používa ako zdroj svetla na poskytnutie fotonického čipu s rôznymi vlnovými dĺžkami.

Vývoj frekvenčného hrebeňa viedol profesor Tobias Kippenberg na EPFL. Kippenburg je jedným z hlavných autorov štúdie spolu so spoluautorom Wolframom Pernicem z Münsterskej univerzity. Podľa Perniceho môžu procesory na báze svetla zrýchliť výpočtovo náročné úlohy spojené so strojovým učením a vykonávať výpočty ešte vyššími rýchlosťami ako špecializovaný hardvér, ako sú TPU (Tensor Processing Units) a najpokročilejšie GPU.

Školenie neurónových sietí

Potom, čo boli fotonické čipy navrhnuté a zostavené, výskumníci ich vyskúšali testovaním na neurónovej sieti navrhnutej na rozpoznávanie ručne písaných čísel. Tréningový proces neurónovej siete využíval multiplexovanie vlnových dĺžok, ktoré čipy umožňovali, a bol schopný dosiahnuť vyššiu rýchlosť prenosu dát a hustotu výpočtovej techniky, ako kedykoľvek predtým.

Ako vysvetlil Johannes Feldmann, hlavný autor štúdie a postgraduálny študent na univerzite v Münsteri cez TechXplore:

„Konvolučná operácia medzi vstupnými údajmi a jedným alebo viacerými filtrami – čo môže byť napríklad zvýraznenie hrán na fotografii – sa dá veľmi dobre preniesť do našej maticovej architektúry. Využitie svetla na prenos signálu umožňuje procesoru vykonávať paralelné spracovanie údajov prostredníctvom multiplexovania vlnových dĺžok, čo vedie k vyššej výpočtovej hustote a mnohým násobeniam matíc, ktoré sa vykonávajú len v jednom časovom kroku.

Práca je pozoruhodná vďaka skutočnosti, že by mohla umožniť trénovanie neurónových sietí na veľkých súboroch údajov za zlomok typického času potrebného na trénovanie siete. Keďže veľké údaje sú čoraz väčšie, nafúknuté internetom vecí a rastúcim šírením inteligentných zariadení, vedci zaoberajúci sa údajmi budú potrebovať nové spôsoby, ako udržať tréningové časy na masívnych súboroch údajov čo najnižšie. Tradičná elektronika zvyčajne pracuje v rozsahu nízkych GHz, zatiaľ čo rýchlosti optickej modulácie môžu dosiahnuť rozsah 50 GHz až 100 GHz.

Výskum by mohol mať dôležité dôsledky pre aplikácie, ako je cloud computing, lekárske zobrazovanie a autonómne vozidlá, ktoré všetky vyžadujú schopnosť čo najrýchlejšie spracovať veľké objemy údajov pochádzajúcich z viacerých zdrojov.

Výskumný projekt bol výsledkom spolupráce medzinárodného tímu výskumníkov z Pitt University, University of Münster v Nemecku, anglických univerzít v Exeteri a Oxforde, IBM Zurich a École Polytechnique Fédérale (EPFL) vo Švajčiarsku.