یک قطعه از سخت افزار نوری محاسبات AI را کاملاً موازی انجام می دهد


تصویری از یک سری خطوط موازی در رنگ های مختلف.
بزرگنمایی / خروجی دو شانه با فرکانس نوری ، نشان دادن نور در طول موج با فاصله مساوی.

هوش مصنوعی و فناوری های یادگیری ماشین به کانون اصلی همه موارد از خدمات رایانش ابری گرفته تا تولیدکنندگان تلفن های همراه تبدیل شده اند. متأسفانه ، پردازنده های موجود ما برای الگوریتم هایی که بسیاری از این تکنیک ها بر اساس آنها ساخته شده اند مناسب نیستند ، تا حدی به دلیل اینکه آنها به پردازنده های حافظه از پردازنده به حافظه نیاز دارند. برای مقابله با این گلوگاه ، محققان نحوه انجام محاسبات در حافظه را فهمیده اند و تراشه هایی را طراحی کرده اند که هر پردازنده مقداری حافظه به آن متصل است.

اکنون ، دو تیم مختلف از محققان روش هایی را برای انجام محاسبات با نور ابداع کرده اند به گونه ای که هر دو حافظه و محاسبات را با هم ترکیب می کند و امکان موازی سازی گسترده را فراهم می کند. با وجود تفاوت در عملکرد ، سخت افزار طراحی شده توسط این تیم ها دارای یک ویژگی مشترک است: به سخت افزار مشابه اجازه می دهد تا همزمان با استفاده از فرکانس های مختلف نور ، محاسبات مختلف را انجام دهد. اگرچه هنوز در سطح عملکرد برخی پردازنده های خاص قرار ندارد ، اما این رویکرد به راحتی مقیاس پذیر بوده و می تواند با استفاده از سخت افزار تعبیه شده پیاده سازی شود و روند استفاده از آن به عنوان یک پردازنده ویژه را افزایش دهد.

با دندانهای ریز شانه بزنید

این کار جدید متکی به سخت افزاری به نام شانه فرکانسی است ، فناوری که برخی از سازندگان آن را در جایزه نوبل فیزیک 2005 بدست آورد. در حالی که در پشت راه کار پشته ها یک فیزیک بسیار جالب وجود دارد (که اگر کنجکاو هستید می توانید در اینجا بیشتر بخوانید) ، آنچه که ما به آن علاقه مند هستیم نتیجه این فیزیک است. اگرچه روش های مختلفی برای به دست آوردن شانه فرکانس وجود دارد ، همه آنها یک چیز را تولید می کنند: یک پرتو نور که از فرکانس هایی با فاصله یکسان تشکیل شده است. بنابراین ، یک شانه فرکانس در طول موج های مرئی ممکن است از نور با طول موج 500 نانومتر ، 510 نانومتر ، 520 نانومتر و غیره تشکیل شود.

استعاره یک شانه است – مجموعه بزرگی از دندانها با فاصله یکسان ، اما واقعیت زمینه استعاره این است که هر یک از دندان ها دارای طول موج نور متفاوتی هستند. یا از آنجا که فرکانس و طول موج با هم مرتبط هستند ، می توانید آنها را به صورت فرکانس هایی با فاصله یکسان مشاهده کنید.

مدتی است که می دانیم انجام محاسبات با استفاده از نور امکان پذیر است. آنچه شانه فرکانس انجام می دهد این است که ابزاری مناسب برای این محاسبات کاملاً موازی است. اگر شانه فرکانس توضیح داده شده در بالا توسط سخت افزاری ارسال شود که طول موجهای قابل مشاهده را دستکاری می کند ، هر یک از فرکانس های سازنده آن همان محاسبه را انجام می دهد ، در اصل عملکرد آن را به طور گسترده موازی می کند. این به خودی خود خیلی مفید نیست ، مگر اینکه واقعاً بخواهید نتایج محاسبه تأیید شود.

اما برخی از انواع شانه های فرکانسی اجازه می دهند که هر طول موج به طور مستقل تنظیم شود و شدت هر یک از دندان ها را کم یا زیاد کند. این اجازه می دهد ناهمسان محاسبات انجام شده با هر دندان در شانه ، ضمن حفظ جنبه های کاملاً موازی.

یک نوع محاسبه که انعکاس آن نسبتاً آسان بر روی نور است ، ضرب ماتریس است که به طور گسترده ای توسط برخی از کاربردهای هوش مصنوعی مورد استفاده قرار می گیرد. به طور خاص ، می توان از آن برای انجام کانولوشن استفاده کرد ، عملی ریاضی که بخشی از شبکه های عصبی عمیق است که در تشخیص تصویر بسیار عالی است. در نهایت هر دو اسناد از سخت افزار نوری خود برای کار با تصاویر استفاده می کنند ، اما برای رسیدن به آنجا از روش های مختلفی استفاده می کنند. ما در ابتدا با آسان تر شروع می کنیم.

در ماتریس

در واقع چگونه عملیات تصویر را با استفاده از نور انجام می دهید؟ اولین قدم دیجیتالی کردن تصویر است. از آنجا ، جزئیات مربوط به هر پیکسل را می توان در شدت نور در طول موج های خاص باند فرکانس کد کرد. سپس این طول موج ها در شبکه مربعی از مواد تغییر فاز ارسال می شوند. مواد تغییر فاز ، عملیات را بر روی نور انجام می دهند ، زیرا بسته به میزان مرتب یا آشفته بودن مواد ، مقادیر مختلف نور را جذب می کند. بسته به مسیری که نور از طریق آن شبکه عبور می کند ، مقادیر مختلفی جذب می شود و شدت نهایی قرائت عملیات است که اساساً یک تجمع چند بردار است.

بسیار مهم است که شبکه بتواند این عملیات را به طور همزمان در طول موج های مختلف انجام دهد. بنابراین ، تمام دندانهای روی شانه را می توان به یک باره به سخت افزار وارد کرد. و از آنجا که می توان مواد تغییر فاز را پیکربندی کرد ، می توان کل کار را پیکربندی کرد تا عملیات مختلف را به دلخواه انجام دهد. همانطور که برای این نوع فرآیند نمایش استاندارد است ، محققان سخت افزاری را تنظیم می کنند که برای مجموعه ای از اعداد دست نویس استفاده می شود که در این زمینه استاندارد می شود. وی موفق به دستیابی به دقتی بیش از 95 درصد شد که موفق به نظر می رسد.

برای نمایش ، هر یک از عناصر سخت افزاری مختلف – لیزر ، سخت افزاری که آن را به شانه فرکانس ، حافظه تغییر فاز و آشکارسازهای فوتون تبدیل می کند – بر روی تراشه های مختلف وجود دارد. اما هیچ چیز مانع از ادغام آنها در یک تراشه نمی شود که به آنها اجازه می دهد به عنوان یک پردازنده نوری برای کارهای AI استفاده شوند.

دو محدودیت قابل توجه در عملکرد آن تعداد دندانهای شانه فرکانس و اندازه شبکه مواد تغییر فاز است و روشهایی برای افزایش هر دو وجود دارد. مقابله با کمی دشوارتر برای محدود کردن سرعت کار سخت افزار نوری است. از آنجا که ممکن است روش هایی برای مقابله با این مسئله وجود داشته باشد ، عملکرد فعلی سخت افزار باید حد پایینی در نظر گرفته شود. اما حتی به عنوان یک حد پایین تر ، کاملا چشمگیر است و می تواند با سرعت 3.8 تریلیون عملیات در ثانیه اجرا شود.

در حالی که پردازنده های تخصصی هوش مصنوعی از قبل وجود دارند ، آنها بر اساس همان اصول پردازنده های معمولی کار می کنند ، این بدان معنی است که گرما و نیرو نیز برای آنها مشکل ساز می شود. یک مزیت مهم بالقوه در اینجا این است که مسائل مربوط به گرما و انرژی در اینجا تقریباً همه بر روی منبع نور لیزر متمرکز هستند. در حالی که می توان این مشکلات را برطرف کرد ، دستگاه بدون نگرانی بیشتر در مورد این مشکلات می تواند با شیب کامل کار کند.

موضوع زمان

تصور اینکه یک دسته فوتون در حال چرخش در اطراف شبکه ای از مواد نیمه بازتابنده هستند ، باید نسبتاً آسان باشد. مقاله دیگر در این زمینه به رفتار بسیار دشوار و کم ارزشیابی نور متکی است: وقتی نور از ماده ای عبور می کند که شکست داخلی زیادی دارد ، سرعت حرکت نور به طول موج بستگی دارد.

برای استفاده از این موضوع ، محققان اطلاعات را به عنوان بردار در چندین دندان شانه فرکانس رمزگذاری می کنند. سپس این نور از طریق کابل نوری ارسال می شود که تأخیرهای مختلفی را در طول موج های مختلف ایجاد می کند. با این حال ، آشکارساز در سمت دیگر کابل فقط ورودی را برای مدت زمان مشخصی قبول می کند. اگر تاخیر برخی از قسمتهای بردار ورودی را به خارج از این پنجره زمانی منتقل کند ، آنها به عنوان خروجی حساب نمی شوند. در اصل ، این یک عملیات ریاضی به نام کانولوشن را انجام می دهد ، فرکانس رمزگذاری داده ها را به وزنی که آشکارساز بر اساس زمان ورود آن می دهد ، پیوند می دهد.

باز هم ، منحنی ها برای شبکه های عصبی عمیق مورد استفاده برای طبقه بندی تصاویر بسیار مهم هستند. همچنین بسیاری از سیم پیچ ها می توانند به صورت موازی انجام شوند ، زیرا سیم کشی نوری می تواند طیف گسترده ای از طول موج ها را حمل کند. در نتیجه ، تنظیمات به کار رفته در مقاله توانست به 11.3 تریلیون عملیات در ثانیه دست یابد ، اگرچه عملکرد آن در آزمون تشخیص تعداد با دقت 88 درصد کمی بدتر بود.

اگرچه عملکردهای فردی سریع هستند ، اما تنظیمات برای کارکرد صحیح کاملاً به تأخیر احتیاج دارند ، به این معنی که هرگز قادر به ارائه پاسخ فوری مورد نیاز برخی از برنامه ها نیست. اما عملیات آن را می توان با کمک تجهیزات مخابراتی نوری انجام داد. اگر از همه نوارهای استفاده شده در سخت افزار مخابراتی مدرن برای عملیات استفاده شود ، می توان بیش از 400 عملیات را به طور موازی انجام داد. و این قبل از این است که مواردی مانند قطبش نور برای انتقال اطلاعاتی که می توانند بهره وری را به طیف وسیعی از عملیات کوادریلیون در ثانیه افزایش دهند ، استفاده شود.

Nature ، 2010. DOI: 10.1038 / s41586-020-03070-1 ، 10.1038 / s41586-020-03063-0 (برای DOI).


منبع: khabar-tak.ir

دیدگاهتان را بنویسید

Comment
Name*
Mail*
Website*