پردازنده فوتونیک می تواند محاسبات فوق سریع هوش مصنوعی را با بهره وری انرژی فوق العاده فعال کند

مدل‌های شبکه‌های عصبی عمیق که نیاز به برنامه‌های کاربردی یادگیری ماشینی امروزی را تامین می‌کنند، چنان بزرگ و پیچیده شده‌اند که محدودیت‌های سخت‌افزار محاسبات الکترونیکی سنتی را از بین می‌برند.

سخت‌افزار فوتونیک، که می‌تواند محاسبات یادگیری ماشینی را با نور انجام دهد، جایگزینی سریع‌تر و کم‌مصرف‌تر ارائه می‌دهد. با این حال، برخی از انواع محاسبات شبکه عصبی وجود دارد که یک دستگاه فوتونیک نمی تواند انجام دهد، نیاز به استفاده از الکترونیک خارج از تراشه یا تکنیک های دیگری است که سرعت و کارایی را مختل می کند.

ساختمان روی یک دهه تحقیق، دانشمندان MIT و جاهای دیگر، یک تراشه فوتونیکی جدید ساخته اند که بر این موانع غلبه می کند. آنها یک پردازنده فوتونیک کاملاً یکپارچه را نشان دادند که می تواند تمام محاسبات کلیدی یک شبکه عصبی عمیق را به صورت نوری انجام دهد. روی تراشه

این دستگاه نوری توانست محاسبات کلیدی را برای یک کار طبقه بندی یادگیری ماشینی در کمتر از نیم نانوثانیه تکمیل کند و در عین حال به دقت بیش از 92 درصد دست یابد – عملکردی که روی همتراز با سخت افزار سنتی

این تراشه، متشکل از ماژول های به هم پیوسته ای است که یک شبکه عصبی نوری را تشکیل می دهند، با استفاده از فرآیندهای ریخته گری تجاری ساخته شده است، که می تواند مقیاس فناوری و ادغام آن با الکترونیک را امکان پذیر کند.

در درازمدت، پردازنده فوتونیک می‌تواند به یادگیری عمیق سریع‌تر و کارآمدتر برای کاربردهای محاسباتی مانند لیدار، تحقیقات علمی در اخترشناسی و فیزیک ذرات، یا ارتباطات راه دور پرسرعت منجر شود.

«موارد زیادی وجود دارد که عملکرد مدل تنها چیزی نیست که مهم است، بلکه سرعت شما نیز می‌تواند به پاسخ برسد. اکنون که ما یک سیستم انتها به انتها داریم که می تواند یک شبکه عصبی در اپتیک را در مقیاس زمانی نانوثانیه اجرا کند، می توانیم در سطح بالاتری درباره برنامه ها و الگوریتم ها فکر کنیم. PhD ’23، دانشمند مدعو در گروه فوتونیک کوانتومی و هوش مصنوعی در آزمایشگاه تحقیقاتی الکترونیک (RLE) و یک فوق دکترا در NTT Research, Inc. که نویسنده اصلی مقاله است روی تراشه جدید

Bandyopadhyay ملحق شد روی مقاله توسط Alexander Sludds ’18, MEng ’19, PhD ’23; نیکلاس هریس دکترای ’17; داریوش بنادار دکتری سال 19; استفان کرستانوف، دانشمند تحقیقاتی سابق RLE که اکنون استادیار دانشگاه ماساچوست در آمهرست است. رایان هامرلی، دانشمند مدعو در RLE و دانشمند ارشد در NTT Research. متیو استرشینسکی، مدیر سابق فوتونیک سیلیکون در نوکیا که اکنون یکی از بنیانگذاران و مدیرعامل Enosemi است. مایکل هوچبرگ، رئیس شرکت پریپلوس، LLC؛ و دیرک انگلوند، استاد گروه مهندسی برق و علوم کامپیوتر، محقق اصلی گروه فوتونیک کوانتومی و هوش مصنوعی و RLE، و نویسنده ارشد مقاله. این تحقیق امروز در فوتونیک طبیعت.

یادگیری ماشینی با نور

شبکه های عصبی عمیق از بسیاری از لایه های به هم پیوسته گره ها یا نورون ها تشکیل شده اند که عمل می کنند روی داده های ورودی برای تولید خروجی یکی از عملیات کلیدی در یک شبکه عصبی عمیق شامل استفاده از جبر خطی برای انجام ضرب ماتریس است که داده ها را هنگام انتقال از لایه ای به لایه دیگر تبدیل می کند.

اما علاوه بر این عملیات خطی، شبکه های عصبی عمیق عملیات غیرخطی را انجام می دهند که به مدل کمک می کند تا الگوهای پیچیده تری را بیاموزد. عملیات غیرخطی، مانند توابع فعال سازی، به شبکه های عصبی عمیق قدرت حل مسائل پیچیده را می دهد.

در سال 2017، گروه انگلوند، همراه با محققان در آزمایشگاه مارین سولیاچیچ، استاد فیزیک سیسیل و آیدا گرین، یک شبکه عصبی نوری را نشان دادند. روی یک تراشه فوتونیک منفرد که می تواند ضرب ماتریس را با نور انجام دهد.

اما در آن زمان، دستگاه نمی توانست عملیات غیرخطی انجام دهد روی تراشه داده های نوری باید به سیگنال های الکتریکی تبدیل می شدند و برای انجام عملیات غیرخطی به یک پردازنده دیجیتال فرستاده می شدند.

غیرخطی بودن در اپتیک بسیار چالش برانگیز است زیرا فوتون ها به راحتی با یکدیگر برهمکنش نمی کنند. باندوپادهای توضیح می‌دهد که این باعث می‌شود که برای راه‌اندازی غیرخطی‌های نوری بسیار انرژی مصرف کند، بنابراین ساختن سیستمی که بتواند آن را به روشی مقیاس‌پذیر انجام دهد، چالش‌برانگیز می‌شود.

آنها با طراحی دستگاه‌هایی به نام واحدهای عملکرد نوری غیرخطی (NOFU) که ​​الکترونیک و اپتیک را برای اجرای عملیات غیرخطی ترکیب می‌کنند، بر این چالش غلبه کردند. روی تراشه

محققان یک شبکه عصبی عمیق نوری ساختند روی یک تراشه فوتونیک با استفاده از سه لایه دستگاه که عملیات خطی و غیرخطی را انجام می دهد.

یک شبکه کاملا یکپارچه

در ابتدا، سیستم آنها پارامترهای یک شبکه عصبی عمیق را در نور رمزگذاری می کند. سپس، آرایه ای از تقسیم کننده پرتوهای قابل برنامه ریزی، که در مقاله 2017 نشان داده شد، ضرب ماتریس را انجام می دهد. روی آن ورودی ها

سپس داده‌ها به NOFUهای قابل برنامه‌ریزی منتقل می‌شوند، که توابع غیرخطی را با سیفون کردن مقدار کمی نور به دیودهای نوری که سیگنال‌های نوری را به جریان الکتریکی تبدیل می‌کنند، اجرا می‌کنند. این processکه نیاز به تقویت کننده خارجی را بی نیاز می کند، انرژی بسیار کمی مصرف می کند.

ما تمام مدت در حوزه نوری می مانیم، تا زمانی که می خواهیم پاسخ را بخوانیم. Bandyopadhyay می‌گوید که این ما را قادر می‌سازد تا به تأخیر بسیار کم برسیم.

دستیابی به چنین تأخیر کم آنها را قادر می سازد تا به طور مؤثر یک شبکه عصبی عمیق را آموزش دهند روی تراشه، الف process در محل شناخته می شود آموزشی که معمولاً انرژی زیادی را در سخت افزار دیجیتال مصرف می کند.

او می‌گوید: «این به‌ویژه برای سیستم‌هایی مفید است که در آن‌ها پردازش سیگنال‌های نوری درون دامنه‌ای را انجام می‌دهید، مانند ناوبری یا مخابرات، اما همچنین در سیستم‌هایی که می‌خواهید در زمان واقعی یاد بگیرید.»

سیستم فوتونیک بیش از 96 درصد دقت در طول تست های آموزشی و بیش از 92 درصد دقت در طول استنتاج به دست آورد که با سخت افزار سنتی قابل مقایسه است. علاوه بر این، تراشه محاسبات کلیدی را در کمتر از نیم نانوثانیه انجام می دهد.

انگلوند می‌گوید: «این کار نشان می‌دهد که محاسبات – در اصل، نگاشت ورودی‌ها به خروجی‌ها – می‌تواند بر روی معماری‌های جدید فیزیک خطی و غیرخطی کامپایل شود که قانون مقیاس‌بندی اساساً متفاوت محاسبات را در مقابل تلاش مورد نیاز امکان‌پذیر می‌سازد.

کل مدار با استفاده از همان زیرساخت ها و فرآیندهای ریخته گری که تراشه های کامپیوتری CMOS را تولید می کنند ساخته شد. این می تواند تراشه را قادر سازد تا با استفاده از تکنیک های آزمایش شده و واقعی که خطای بسیار کمی را در ساخت ایجاد می کند، در مقیاس تولید شود. process.

Bandyopadhyay می گوید که بزرگ کردن دستگاه آنها و ادغام آن با وسایل الکترونیکی دنیای واقعی مانند دوربین ها یا سیستم های مخابراتی تمرکز اصلی کار آینده خواهد بود. علاوه بر این، محققان می‌خواهند الگوریتم‌هایی را بررسی کنند که می‌توانند از مزایای اپتیک برای آموزش سریع‌تر و بازده انرژی بهتر سیستم‌ها استفاده کنند.

این تحقیق تا حدی توسط بنیاد ملی علوم ایالات متحده، دفتر تحقیقات علمی نیروی هوایی ایالات متحده و تحقیقات NTT تامین شده است.