一個國際研究人員團隊開發(fā)了一種用于光子處理器的新方法和體系結構，可加快機器學習領域的復雜數(shù)學任務。

越來越多的AI應用程序的出現(xiàn)（例如在自動駕駛汽車，智能城市和語音識別中）給當前的計算機處理器帶來了沉重的負擔，無法滿足需求。

一組科學家開發(fā)了一種解決該問題的方法，使用光子（基于光的）處理器將處理和數(shù)據(jù)存儲結合在單個芯片上。這些可以通過并行且更快地處理信息來超越常規(guī)電子芯片。

明斯特大學的Wolfram Pernice教授說：“用于加速機器學習領域任務的輕型處理器使復雜的數(shù)學任務能夠以較高的速度和吞吐量進行處理?！?“這比依靠電子數(shù)據(jù)傳輸?shù)膫鹘y(tǒng)芯片（如圖形卡或專用硬件（如TPU））要快得多?！?/p>

科學家們開發(fā)了一種用于矩陣矢量乘法的硬件加速器，矩陣矢量乘法是人工神經網絡的骨干：受到通常用于處理圖像或音頻數(shù)據(jù)的生物大腦的松動啟發(fā)的網絡。由于不同波長的光不會干涉，因此它們能夠使用多個波長進行并行計算（多路復用），這為光子處理器打開了大門，光子處理器具有更高的數(shù)據(jù)速率和每單位面積更多的操作。

但是，要抓住這個機會，就需要使用另一種技術作為光源：EPFL開發(fā)的基于芯片的“頻率梳”。

EPFL的教授Tobias Kippenberg說：“我們的研究是第一個將頻率梳應用于人工神經網絡領域的研究?！?肯彭貝格（Kippenberg）的工作開創(chuàng)了頻率梳的開發(fā)領域，它提供了可以在同一光子芯片內獨立處理的多種波長。

研究人員還選擇將光子結構與相變材料結合起來作為節(jié)能存儲元件。這樣就可以在不需要能源的情況下存儲和保存矩陣元素。

制造光子芯片后，研究人員在神經網絡上對其進行了測試，以識別手寫數(shù)字。研究人員認為，輸入數(shù)據(jù)與一個或多個過濾器（可以識別例如圖像的邊緣）之間的操作非常適合其矩陣體系結構，從而使研究人員可以達到前所未有的計算密度。

牛津大學的Johannes Feldman博士是該研究的主要作者，他解釋說：“利用光進行信號傳輸使處理器能夠通過波長多路復用執(zhí)行并行數(shù)據(jù)處理，這導致更高的計算密度和僅需執(zhí)行許多矩陣乘法即可。一個時間步。與通常在低GHz范圍內工作的傳統(tǒng)電子產品相比，光調制速度可以達到50至100GHz范圍?！?/p>

這項研究發(fā)表在本周的某媒體雜志上，具有極為廣泛的應用。這可能包括更高的AI應用程序數(shù)據(jù)同步處理；更大的神經網絡，可提供更準確的預測和精確的數(shù)據(jù)分析；大量的臨床數(shù)據(jù)有助于診斷；更快速地評估自動駕駛汽車中的傳感器數(shù)據(jù)，并擴展云計算基礎架構。
責任編輯：YYX