پردازنده فوتونیکی می‌تواند محاسبات فوق سریع هوش مصنوعی را ممکن سازد

پیشرفت‌های جدید در پردازشگرهای فتونیکی

مدل‌های شبکه‌های عصبی عمیق که پایه‌گذار برنامه‌های پیچیده یادگیری ماشین امروزی هستند، به قدری بزرگ و پیچیده شده‌اند که دیگر نمی‌توانند به خوبی از سخت‌افزارهای محاسباتی الکترونیکی سنتی استفاده کنند. اما سخت‌افزارهای فتونیکی که قادر به انجام محاسبات یادگیری ماشین با نور هستند، یک راه‌حل سریع‌تر و با انرژی کمتر ارائه می‌دهند.

توسعه پردازشگر فتونیکی جدید

با اتکا به یک دهه تحقیق، دانشمندان از MIT و دیگر مراکز تحقیقاتی یک تراشه فتونیکی جدید توسعه داده‌اند که این مشکلات را حل می‌کند. این پردازشگر فتونیکی به‌صورت کامل روی تراشه قادر به انجام تمام محاسبات کلیدی یک شبکه عصبی عمیق به‌صورت نوری است.

این دستگاه نوری توانست در کمتر از نیم نانوثانیه محاسبات کلیدی یک وظیفه دسته‌بندی یادگیری ماشین را انجام دهد و دقتی بیش از ۹۲ درصد را به دست آورد که قابل مقایسه با سخت‌افزارهای سنتی است.

مزایای پردازشگر فتونیکی

تراشه‌ای که با ماژول‌های به هم متصل تشکیل شده است، به‌وسیله فرآیندهای تجاری ساخته شده و این می‌تواند به گسترش فناوری و ادغام آن با الکترونیک کمک کند. در آینده، پردازشگر فتونیکی می‌تواند منجر به یادگیری عمیق سریع‌تر و با کارایی انرژی بیشتر در برنامه‌های محاسباتی سنگین مانند لیزر، تحقیقات علمی در نجوم و فیزیک ذرات یا ارتباطات پرسرعت شود.

محاسبات یادگیری ماشین با نور

شبکه‌های عصبی عمیق از لایه‌های متصل به هم از گره‌ها یا نورون‌ها تشکیل شده‌اند که روی داده‌های ورودی کار می‌کنند. یکی از عملیات کلیدی در این شبکه‌ها، استفاده از جبر خطی برای انجام ضرب ماتریس‌هاست که داده‌ها را از لایه‌ای به لایه دیگر منتقل می‌کند. علاوه بر این، این شبکه‌ها عملیات غیرخطی نیز انجام می‌دهند که به مدل کمک می‌کند تا الگوهای پیچیده‌تری را یاد بگیرد.

در سال ۲۰۱۷، گروه انگلند یک شبکه عصبی نوری بر روی یک تراشه فتونیکی نشان داد که توانایی انجام ضرب ماتریس با نور را دارد، اما آن زمان دستگاه نمی‌توانست عملیات غیرخطی را روی خود تراشه انجام دهد و نیاز بود تا داده‌های نوری به سیگنال‌های الکتریکی تبدیل شوند.

یک شبکه کاملاً یکپارچه

سیستم جدید قادر است پارامترهای یک شبکه عصبی عمیق را به نور کدگذاری کند و با استفاده از تقسیم‌کننده‌های برنامه‌پذیر، ضرب ماتریس را روی ورودی‌ها انجام دهد. سپس داده‌ها به NOFUهای برنامه‌پذیر که عملکردهای غیرخطی را پیاده‌سازی می‌کنند، منتقل می‌شوند.

این سیستم توانست با دقت بیش از ۹۶ درصد در تست‌های آموزشی و بیش از ۹۲ درصد در مرحله استنتاج عمل کند، که این مقادیر با سخت‌افزارهای سنتی قابل مقایسه است. این کار نشان می‌دهد که محاسبات می‌تواند به‌طور مؤثری به معماری‌های جدیدی از فیزیک خطی و غیرخطی منتقل شود.

تراشه به‌وسیله فرآیندهای مشابه با تراشه‌های کامپیوتری CMOS ساخته شده و این می‌تواند به تولید انبوه آن کمک کند. تمرکز آینده بر روی ادغام دستگاه با الکترونیک واقعی مانند دوربین‌ها و سیستم‌های ارتباطی خواهد بود.

این تحقیق بخشی از پروژه‌های حمایت شده توسط بنیاد ملی علوم ایالات متحده، دفتر تحقیقات علمی نیروی هوایی ایالات متحده و NTT Research است.