โมเดลและแพลตฟอร์ม AI
ชิปโฟตอนิกดูเหมือนจะเพิ่มความเร็วของกระบวนการ AI อย่างมาก
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ทีมนักวิจัยได้ ใช้โปรเซสเซอร์โฟตอนิกกับแอปพลิเคชัน AI最近 โดยแสดงให้เห็นว่าโปรเซสเซอร์โฟตอนิกสามารถ พัฒนาประสิทธิภาพการประมวลผลข้อมูลมากกว่าชิปอิเล็กทรอนิกส์ทั่วไป
ทีมวิจัยได้พัฒนาโครงสร้างชิปใหม่และวิธีการที่รวมการเก็บข้อมูลและการประมวลผลข้อมูลในอุปกรณ์เดียว ชิปเหล่านี้ผลิตจากวัสดุเปลี่ยนเฟส (เช่นที่ใช้ในดีวีดี) โปรเซสเซอร์โฟตอนิกใช้ในการผลิตชิปคอมพิวเตอร์ที่สามารถคำนวณได้ด้วยความเร็วสูง และในหนึ่งการศึกษาที่ตีพิมพ์ในวารสาร Nature ทีมวิจัยสามารถแสดงให้เห็นว่าชิปใหม่เหล่านี้สามารถปรับปรุงประสิทธิภาพมากกว่าชิปอิเล็กทรอนิกส์ทั่วไปได้ เนื่องจากสามารถประมวลผลข้อมูลได้อย่างรวดเร็วและเป็นขนาน
การคูณเมทริกซ์-เวกเตอร์
เครือข่ายประสาทเทียมที่เป็นพื้นฐานของแอปพลิเคชัน AI ที่ทันสมัยที่สุดหลายตัวทำงานผ่านการคูณเมทริกซ์-เวกเตอร์ ทีมวิจัยได้สร้างระบบการเร่งความเร็วแบบฮาร์ดแวร์ที่ช่วยให้การคูณเหล่านี้สามารถทำได้ในรูปแบบขนาน ชิปโฟตอนิกใช้ประโยชน์จากข้อเท็จจริงที่ว่าความยาวคลื่นที่แตกต่างกันของแสงไม่ส่งผลกระทบต่อการคำนวณในขนาน ทีมวิจัยได้ใช้ “frequency comb” ที่พัฒนาโดย École Polytechnique Fédérale (EPFL) เป็นแหล่งกำเนิดแสงให้กับชิปโฟตอนิก
การ разработкаของ frequency comb นี้ได้รับการนำ 領โดย Professor Tobias Kippenberg ที่ EPFL Kippenburg เป็นหนึ่งในผู้เขียนหลักของการศึกษานี้ ร่วมกับ Wolfram Pernice จากมหาวิทยาลัย Münster ตาม Pernice โปรเซสเซอร์โฟตอนิกสามารถเร่งความเร็วในการประมวลผลข้อมูลที่ต้องใช้กำลังการคำนวณสูงในการเรียนรู้ของเครื่อง โดยสามารถทำการคำนวณได้ด้วยความเร็วที่สูงกว่าฮาร์ดแวร์เฉพาะจุด เช่น Tensor Processing Units (TPUs) และ GPU ที่ทันสมัยที่สุด
การฝึกเครือข่ายประสาทเทียม
หลังจากที่ชิปโฟตอนิกถูกออกแบบและสร้างแล้ว ทีมวิจัยได้ทดสอบชิปเหล่านี้ด้วยเครือข่ายประสาทเทียมที่ออกแบบมาเพื่อการรู้จำตัวอักษรที่เขียนด้วยมือ การฝึกเครือข่ายประสาทเทียมใช้ประโยชน์จากความสามารถในการรวมข้อมูลหลายช่องสัญญาณที่ชิปเหล่านี้สามารถทำได้ และสามารถบรรลุอัตราการส่งข้อมูลและความหนาแน่นในการคำนวณที่สูงกว่าที่เคยทำได้ก่อนหน้านี้
ตามที่ Johannes Feldmann ผู้เขียนหลักของการศึกษานี้และนักศึกษาระดับบัณฑิตศึกษาจากมหาวิทยาลัย Münster อธิบาย ผ่าน TechXplore:
“การดำเนินการคอนโวลูชันระหว่างข้อมูลเข้าและหนึ่งหรือหลายตัวกรอง ซึ่งสามารถเป็นการเน้นขอบของภาพได้ ตัวอย่างเช่น สามารถถ่ายทอดไปยังโครงสร้างเมทริกซ์ของเราได้ดี การใช้แสงสำหรับการส่งสัญญาณทำให้โปรเซสเซอร์สามารถประมวลผลข้อมูลแบบขนานผ่านการรวมข้อมูลหลายช่องสัญญาณ ซึ่งนำไปสู่ความหนาแน่นในการคำนวณที่สูงขึ้นและหลายการคูณเมทริกซ์ที่ทำได้ในเวลาเดียวกัน”
งานวิจัยนี้มีความสำคัญเนื่องจากสามารถทำให้เครือข่ายประสาทเทียมสามารถฝึกได้บนเซตข้อมูลขนาดใหญ่ในเวลาที่อาจเป็นเพียงเศษเสี้ยวของเวลาที่ใช้ในการฝึกเครือข่ายทั่วไป เมื่อข้อมูลขนาดใหญ่เพิ่มขึ้นเรื่อยๆ โดยขับเคลื่อนจากอินเทอร์เน็ตของสิ่งและอุปกรณ์สมาร์ทที่เพิ่มขึ้น นักวิทยาศาสตร์ข้อมูลจะต้องการวิธีการใหม่ๆ ในการรักษาเวลาฝึกบนเซตข้อมูลขนาดใหญ่ให้เหลือน้อยที่สุด อิเล็กทรอนิกส์ทั่วไปทำงานในช่วงความถี่ต่ำๆ ในขณะที่ความเร็วการปรับเปลี่ยนแบบออปติกัลสามารถไปได้สูงถึง 50 กิกะเฮิรตซ์ถึง 100 กิกะเฮิรตซ์
การวิจัยนี้อาจมีผลกระทบสำคัญต่อแอปพลิเคชัน เช่น การประมวลผลบนคลาวด์ การถ่ายภาพทางการแพทย์ และยานพาหนะอัตโนมัติ ซึ่งทั้งหมดนี้ต้องการความสามารถในการประมวลผลปริมาณข้อมูลขนาดใหญ่ที่มาจากหลายแหล่งได้อย่างรวดเร็ว
โครงการวิจัยนี้เป็นผลมาจากความร่วมมือระหว่างทีมนักวิจัยระดับนานาชาติจาก Pitt Univesity, มหาวิทยาลัย Münster ในเยอรมนี, มหาวิทยาลัย Exeter และ Oxford ในอังกฤษ, IBM Zurich และ École Polytechnique Fédérale (EPFL) ในสวิตเซอร์แลนด์
