AI: Drivs av parallella ljusbaserade faltningsprocessorer

Den exponentiella tillväxten av datatrafik i vår det var digitalt utgör några verkliga utmaningar för processorkraft. Och med tillkomsten avautomatisk inlärning ochartificiell intelligenst.ex. i självkörande fordon och röstigenkänning kommer den uppåtgående trenden att fortsätta. Allt detta lägger en stor börda på nuvarande datorprocessorers förmåga att hålla jämna steg med efterfrågan.

Ett internationellt team av forskare studerade ljus för att ta itu med problemet

Forskare utvecklade ett nytt tillvägagångssätt och arkitektur som kombinerar databehandling och lagring på ett enda chip med hjälp av ljusbaserade processorer eller “fotonik“, Som har visat sig överträffa konventionella elektroniska chips genom att bearbeta information mycket snabbare och parallellt.

Forskare har utvecklat en hårdvaruaccelerator för de så kallade multiplikationerna vektor-matrissom är ryggraden i neurala nätverk (algoritmer som simulerar den mänskliga hjärnan), som i sin tur används för maskininlärningsalgoritmer.

Eftersom olika våglängder av ljus (färger) inte stör varandra, kan forskare använda flera våglängder av ljus för parallella beräkningar. Men för att göra detta använde de en annan innovativ teknik, utvecklad på EPFL, en chipbaserad “frekvenskam”, som ljuskälla.

“Vår studie är den första som tillämpar frekvenskammar inom området artificiella neurala nätverk”, säger professor Tobias Kippenberg vid EPFL, en av studieledarna. Professor Kippenbergs forskning banade väg för utvecklingen av frekvenskammar. “Frekvenskammen ger en mängd olika optiska våglängder som bearbetas oberoende av varandra i samma fotoniska chip.”

“Ljusbaserade processorer för att påskynda maskininlärningsuppgifter gör att komplexa matematiska uppgifter kan bearbetas med hög hastighet och produktivitet”, säger senior medförfattare Wolfram Pernice vid University of Münster, en av professorerna som ledde forskningen.

“Detta är mycket snabbare än konventionella chips som är beroende av elektronisk dataöverföring, som grafikkort eller specialiserad hårdvara som TPU (Tensor Processing Unit).”

Efter att ha designat och tillverkat fotonchipen testade forskarna dem på ett neuralt nätverk som känner igen handskrivna siffror. Inspirerade av biologi är dessa nätverk ett begrepp inom området maskininlärning och används främst inom bild- eller ljuddatabehandling.

“Konvolutionsoperationerna mellan indata och ett eller flera filter, som kan identifiera kanter i en bild, till exempel, är lämpliga för vår matrisarkitektur”, säger Johannes Feldmann, nu baserad på Institutionen för material vid University of Oxford.

Nathan Youngblood (Oxford University) tillägger: “Exploateringen av våglängdsmultiplexering möjliggör högre datahastigheter och beräkningstätheter, det vill säga operationer per processorarea, som inte tidigare uppnåtts.”

“Detta arbete är en sann uppvisning av europeisk kollaborativ forskning”, säger David Wright från University of Exeter, som leder det europeiska FunComp-projektet, som finansierade arbetet. “Medan varje inblandad forskargrupp är världsledande på sitt eget sätt, var det att sätta ihop alla dessa delar som gjorde det här arbetet verkligen möjligt.”

Studien publicerades i veckan och har långtgående tillämpningar: ökad samtidig (och energibesparande) databehandling inom artificiell intelligens, större neurala nätverk för mer exakta förutsägelser och mer exakt dataanalys, stora mängder klinisk data för diagnos, förbättring av snabb utvärdering av sensordata i självkörande fordon och utbyggnad av cloud computing-infrastrukturer med mer lagringsutrymme, datorkraft och applikationsprogramvara.

Relaterade Artiklar

Back to top button