Schematické znázornění světelného procesoru pro násobení matic. Půjčka Oxfordská univerzita
Exponenciální růst datového provozu v našem digitálním věku představuje pro výpočetní výkon některé skutečné výzvy. A s příchodem strojového učení (například AI v autě s vlastním řízením) rozpoznávání slov bude vzestupný trend pokračovat. To vše silně zatěžuje schopnost současných počítačových procesorů zadržet poptávku.
Nyní byla k řešení problému zveřejněna mezinárodní skupina vědců. Vědci vyvinuli nový přístup – architekturu, která kombinuje zpracování – ukládání dat na jediném čipu pomocí světelných nebo „fotonických“ procesorů, které se zdají překonat konvenční elektronické čipy ve zpracování informací rychleji a paralelně.
Vědci vyvinuli hardwarový akcelerátor pro takzvané násobení maticových vektorů, které jsou páteří neuronových sítí (algoritmy napodobující lidský mozek), které používají pro algoritmy strojového učení. Protože různé vlnové délky (barvy) světla se navzájem neinterferují, mohou vědci použít pro paralelní výpočty vlnové délky světla. K tomu však jako zdroj světla použili jinou inovativní technologii vyvinutou v EPFL, čipový „frekvenční hřeben“.
Schematické znázornění světelného procesoru pro násobení matic. Půjčka Oxfordská univerzita
„Naše studie je první, která používá frekvenční srážky v oblasti umělých neuronových sítí,“ řekl profesor Tobias Kipenberg, jeden z hlavních výzkumných pracovníků EPFL. Výzkum profesora Kipenberga je v čele vývoje frekvenčních hřebenů. „Frekvenční hřeben poskytuje řadu optických vlnových délek, které jsou zpracovávány nezávisle na stejném fotonovém čipu.“
„Procesory založené na světle jsou schopny zpracovat složité matematické úlohy vysokou rychlostí a propustností, aby urychlily úkoly strojového učení,“ uvedl Wolfram Pernis, spoluautor univerzity v Münsteru, který tuto studii vedl. „Je to mnohem rychlejší než běžné čipy, které spoléhají na elektronický přenos dat, jako jsou grafické karty nebo speciální zařízení, jako jsou TPU (Tensor Processing Unit).“
Po navržení a výrobě fotonových čipů je vědci testovali na neuronové síti, která rozpoznává ručně psaná čísla. Inspirované biologií jsou tyto sítě konceptem v oblasti strojového učení, který se používá hlavně při zpracování obrazových nebo zvukových dat. „Konvoluční akce mezi jedním nebo více vstupními filtry, která dokáže například identifikovat okraje obrazu, dobře zapadá do naší maticové architektury,“ říká nyní Johannes Feldman. Oxfordská univerzita Sekce materiálů: Nathan Youngblood (Oxford University) dodává: „Provoz multiplexování vlnových délek umožňuje vysoké datové rychlosti – výpočetní hustoty, tj. Operace s jedním procesorem, které dosud nebyly přijaty.“
„Tato práce je skutečnou přehlídkou společného evropského výzkumu,“ uvedl David Wright z University of Exeter, která provozuje projekt FunComp financovaný EU. „Ačkoli je každá zúčastněná výzkumná skupina světovým lídrem svého druhu, sloučení všech těchto částí umožnilo tuto práci provádět.“
Studie byla zveřejněna Příroda: Tento týden má perspektivní plány. Současné vyšší (և úspora energie) zpracování dat umělé inteligence, větší neuronové sítě pro přesnější předpovědi ավելի přesnější analýza dat, více klinické diagnostiky, data senzorů ve vozidlech s vlastním pohonem շատ rozšiřování infrastruktury cloud computingu více oblast, výpočetní výkon և aplikační software.
Odkaz. Pro. Feldman, N. Youngblood, M .; Karpov, H. Gehring, Kh. Lee, M. Steppery, M. Le Gallo, Kh. Fu, A. Lukaščuk, AS Raja, J. Liu, CD Wright, A. Sebastian, TJ Kippenberg, WHP Pernice a H. Bhaskaran, 6. ledna 2021, Příroda:,
DOI: 10.1038 / s41586-020-03070-1: