رونمایی MIT از تراشهٔ فوتونیک برای محاسبات هوش مصنوعی با بهره‌وری انرژی و دقت ۹۲٪
محققان موسسه فناوری ماساچوست (MIT) یک پردازندهٔ فوتونیک جدید ساخته‌اند که می‌تواند تمامی محاسبات کلیدی شبکه عصبی عمیق را روی یک تراشه انجام دهد و محاسبات یادگیری ماشین را با بهره‌وری انرژی تسهیل کند.
این تراشه قادر است محاسبات کلیدی را در کمتر از نیم نانوثانیه انجام دهد و می‌تواند در آینده نزدیک کاربردهای فوق‌العاده سریع هوش مصنوعی را امکان‌پذیر کند، یک بیانیه مطبوعاتی دانشگاه گفت.
شبکه‌های عصبی عمیق که امروزه برای ایجاد کاربردهای پیشرفته هوش مصنوعی به‌کار می‌روند، همچنین مرزهای سخت‌افزارهای محاسباتی را به چالش می‌کشند.
زمینه هوش مصنوعی در حال حاضر به خاطر استفاده از زیرساخت‌های پرمصرف انرژی شهرت دارد و با رسیدن سخت‌افزارهای الکترونیک به مرزهای خود، محققان به دنبال پیشرفت‌هایی هستند که بتوانند نیازهای محاسباتی را با بهره‌وری انرژی بیشتر پاسخ دهند.
سخت‌افزار فوتونیک می‌تواند در هر دو جبهه برآورده کند زیرا اطلاعات را با استفاده از نور پردازش می‌کند نه الکترون‌ها. با این حال، تکنولوژی همچنان در حال توسعه است و در بعضی بخش‌ها به سخت‌افزار الکترونیک متکی است که باعث کاهش سرعت پردازش و توسعه تکنولوژی می‌شود.
در این زمینه تیم تحقیقاتی به رهبری دیرک انگلند، محقق اصلی گروه فوتونیک کوانتومی و هوش مصنوعی در MIT، یک پیشرفت عمده حاصل کرده است.
DNNها روی تراشه‌های نوری
مانند نورون‌ها در مغز، شبکه‌های عصبی عمیق (DNNها) از لایه‌های متصل به هم از گره‌ها برای پردازش اطلاعات و تولید خروجی استفاده می‌کنند. DNNها با دو نوع عملیات کار می‌کنند: عملیات خطی که در آن ضرب ماتریس برای تغییر داده هنگام عبور از گره‌ها انجام می‌شود.
با این حال، برای یادگیری الگوهای پیچیده که به آنها کمک می‌کند مشکلات پیچیده را حل کنند، DNNها عملیات غیرخطی مانند توابع فعال‌سازی انجام می‌دهند.
در سال ۲۰۱۷، تیم تحقیقاتی انگلند یک پردازنده فوتونیک توسعه داد که می‌توانست توابع خطی را اجرا کند. با این حال، برای توابع غیرخطی، فرایندها دوباره به سخت‌افزارهای الکترونیک متکی بودند.
“غیربطیاری در اپتیک چالش‌برانگیز است زیرا فوتون‌ها به سختی با یکدیگر تعامل می‌کنند”، توضیح داد ساومیل بانداپادهی، یک دانشمند بازدیدکننده در آزمایشگاه انگلند که در این پروژه هم شرکت داشت. “این امر باعث می‌شود که تحریک غیرخطی‌های نوری بسیار قدرت‌بر باشد، بنابراین ساختن یک سیستم که توانایی انجام آن را به‌صورت مقیاس‌پذیر دارد، چالش‌برانگیز می‌شود.”
غلبه بر غیربطیاری
برای غلبه بر این مشکل، تیم انگلند دستگاه‌هایی به نام واحدهای عملکرد نوری غیربطیاری (NOFUها) طراحی کرد. این دستگاه‌ها دارای اجزای الکترونیک و فوتونیک روی یک تراشه هستند که عملکرد‌های غیرخطی را امکان‌پذیر می‌سازند.
تیم یک تراشه با سه لایه NOFU برای آزمون عملکرد آن ساختند. پس از محاسبات خطی، دستگاه مقدار کمی نور را به فتودیودها هدایت می‌کند تا آنها را به جریان الکتریکی برای عملیات غیرخطی تبدیل کند. این باعث حذف نیاز به تقویت‌کننده می‌شود و فرایند را بهره‌ور انرژی‌تر می‌کند.
“ما تمام مدت در حوزه نوری می‌مانیم تا زمانی که می‌خواهیم جواب را بخوانیم”، اضافه کرد بانداپادهی. “این به ما امکان می‌دهد که تاخیر بسیار پایینی داشته باشیم.” این دستاورد همچنین به تیم اجازه داد تا یک DNN را روی تراشه آموزش دهند بدون اینکه انرژی زیادی مصرف کنند.
دقت ۹۶ درصد تراشه فوتونیک در آموزش و ۹۲ درصد در کاربردهای استنتاج نشان می‌دهد که قابلیت آن هم‌تراز با سخت‌افزارهای الکترونیک معمولی است. علاوه بر این، تیم‌های تحقیقاتی موفق به ساخت تراشه آزمایش خود با استفاده از فرآیندهای ساخت صنایع نیمه‌رسانا شدند که برای تراشه‌های CMOS استفاده می‌شود، که نشان می‌دهد که راهکار بسیار مقیاس‌پذیر است، بیانیه مطبوعاتی افزود.
تیم تحقیقاتی اکنون مشتاق به توسعه الگوریتم‌هایی هستند که ممکن است روی دستگاه‌هایشان برای آموزش سریع‌تر و بهره‌وری بیشتر DNNها پیاده‌سازی شوند.
یافته‌های تحقیق در مجله Nature Photonics منتشر شده است.
