MIT的研究人員開發(fā)出一種新型“光子”芯片，它使用光而不是電，并且在此過程中消耗相對較少的功率。該芯片用于處理大規(guī)模神經(jīng)網(wǎng)絡的效率比現(xiàn)有的計算機高出數(shù)百萬倍。模擬結果表明，光子芯片運行光神經(jīng)網(wǎng)絡的效率是其電子芯片的1000萬倍。

神經(jīng)網(wǎng)絡是一種機器學習模型，廣泛用于機器人目標識別、自然語言處理、藥物開發(fā)、醫(yī)學成像和驅(qū)動無人駕駛汽車等任務。使用光學現(xiàn)象加速計算的新型光學神經(jīng)網(wǎng)絡可以比其他電子對應物更快、更有效地運行。

但隨著傳統(tǒng)神經(jīng)網(wǎng)絡和光學神經(jīng)網(wǎng)絡越來越復雜，它們消耗了大量的能量。為了解決這個問題，研究人員和包括谷歌、IBM和特斯拉在內(nèi)的主要科技公司開發(fā)了“人工智能加速器”，這是一種專門的芯片，可以提高培訓和測試神經(jīng)網(wǎng)絡的速度和效率。

對于電子芯片，包括大多數(shù)人工智能加速器，有一個理論上的最低能耗限制。最近，MIT的研究人員開始為光神經(jīng)網(wǎng)絡開發(fā)光子加速器。這些芯片執(zhí)行數(shù)量級的效率更高，但它們依賴于一些體積龐大的光學元件，這些元件限制了它們在相對較小的神經(jīng)網(wǎng)絡中的使用。

在《物理評論X》上發(fā)表的一篇論文中，MIT的研究人員描述了一種新型光子加速器，它使用更緊湊的光學元件和光信號處理技術，以大幅降低功耗和芯片面積。這使得芯片可以擴展到神經(jīng)網(wǎng)絡，比對應的芯片大幾個數(shù)量級。

比傳統(tǒng)電子加速器的能耗極限低1000萬倍以上

神經(jīng)網(wǎng)絡在MNIST圖像分類數(shù)據(jù)集上的模擬訓練表明，加速器理論上可以處理神經(jīng)網(wǎng)絡，比傳統(tǒng)電子加速器的能耗極限低1000萬倍以上，比光子加速器的能耗極限低1000倍左右。研究人員現(xiàn)在正在研制一種原型芯片來實驗證明這一結果。

“人們正在尋找一種能夠計算出超出基本能耗極限的技術，”電子研究實驗室的博士后RyanHamerly說：“光子加速器是很有前途的……但我們的動機是建造一個（光子加速器）可以擴展到大型神經(jīng)網(wǎng)絡?！?/p>

這些技術的實際應用包括降低數(shù)據(jù)中心的能耗?！皩τ谶\行大型神經(jīng)網(wǎng)絡的數(shù)據(jù)中心的需求越來越大，而且隨著需求的增長，它越來越難以計算，”合著者、電子研究實驗室的研究生Alexander Sludds說，其目的是“利用神經(jīng)網(wǎng)絡硬件滿足計算需求……以解決能源消耗和延遲的瓶頸”。

與Sludds和Hamerly合寫該論文的有：RLE研究生、聯(lián)合作者Liane Bernstein；麻省理工學院物理教授Marin Soljacic；一名麻省理工學院電氣工程和計算機科學副教授Dirk Englund；一名RLE的研究員，以及量子光子學實驗室的負責人。

依賴于一種更緊湊、節(jié)能的“光電”方案

神經(jīng)網(wǎng)絡通過許多包含互聯(lián)節(jié)點（稱為“神經(jīng)元”）的計算層來處理數(shù)據(jù)，從而在數(shù)據(jù)中找到模式。神經(jīng)元接收來自其上游“鄰居”的輸入，并計算一個輸出信號，該信號被發(fā)送到下游更遠的神經(jīng)元。每個輸入也被分配一個“權重”，一個基于其對所有其他輸入的相對重要性的值。隨著數(shù)據(jù)在各層中“深入”傳播，網(wǎng)絡逐漸學習更復雜的信息。最后，輸出層根據(jù)整個層的計算生成預測。

所有人工智能加速器的目標都是減少在神經(jīng)網(wǎng)絡中的特定線性代數(shù)步驟（稱為“矩陣乘法”）中處理和移動數(shù)據(jù)所需的能量。在那里，神經(jīng)元和權重被編碼成單獨的行和列表，然后結合起來計算輸出。

在傳統(tǒng)的光子加速器中，脈沖激光編碼了一個層中每個神經(jīng)元的信息，然后流入波導并通過分束器。產(chǎn)生的光信號被送入一個稱為“Mach-Zehnder 干涉儀”的正方形光學元件網(wǎng)格中，該網(wǎng)格被編程為執(zhí)行矩陣乘法。干涉儀用每個重量的信息進行編碼，使用處理光信號和重量值的信號干擾技術來計算每個神經(jīng)元的輸出。但是有一個縮放問題：對于每個神經(jīng)元，必須有一個波導管，對于每個重量，必須有一個干涉儀。由于重量的數(shù)量與神經(jīng)元的數(shù)量成正比，那些干涉儀占用了大量的空間。

“你很快就會意識到輸入神經(jīng)元的數(shù)量永遠不會超過100個左右，因為你不能在芯片上安裝那么多的元件，”Hamerly說，“如果你的光子加速器不能每層處理100個以上的神經(jīng)元，那么很難將大型神經(jīng)網(wǎng)絡應用到這種結構中?！?/p>

研究人員的芯片依賴于一種更緊湊、節(jié)能的“光電”方案，該方案利用光信號對數(shù)據(jù)進行編碼，但使用“平衡零差檢測”進行矩陣乘法。這是一種在計算兩個光信號的振幅（波高）的乘積后產(chǎn)生可測量電信號的技術。

光脈沖編碼的信息輸入和輸出神經(jīng)元的每個神經(jīng)網(wǎng)絡層——用來訓練網(wǎng)絡——通過一個單一的通道流動。用矩陣乘法表中整行權重信息編碼的單獨脈沖通過單獨的通道流動。將神經(jīng)元和重量數(shù)據(jù)傳送到零差光電探測器網(wǎng)格的光信號。光電探測器利用信號的振幅來計算每個神經(jīng)元的輸出值。每個檢測器將每個神經(jīng)元的電輸出信號輸入一個調(diào)制器，該調(diào)制器將信號轉換回光脈沖。光信號成為下一層的輸入，以此類推。

這種設計只需要每個輸入和輸出神經(jīng)元一個通道，并且只需要和神經(jīng)元一樣多的零差光電探測器，而不需要重量。因為神經(jīng)元的數(shù)量總是遠遠少于重量，這就節(jié)省了大量的空間，所以芯片能夠擴展到每層神經(jīng)元數(shù)量超過一百萬的神經(jīng)網(wǎng)絡。

找到最佳位置

有了光子加速器，信號中會有不可避免的噪聲。注入芯片的光線越多，噪音越小，精確度也越高——但這會變得非常低效。輸入光越少，效率越高，但會對神經(jīng)網(wǎng)絡的性能產(chǎn)生負面影響。但是有一個“最佳點”，Bernstein說，它在保持準確度的同時使用最小的光功率。

人工智能加速器的最佳位置是以執(zhí)行一次兩個數(shù)相乘的單一操作（如矩陣相乘）需要多少焦耳來衡量的。現(xiàn)在，傳統(tǒng)的加速器是用皮焦（picojoules）或萬億焦耳（joule）來測量的。光子加速器以attojoules測量，效率高出一百萬倍。

在模擬中，研究人員發(fā)現(xiàn)他們的光子加速器可以以低于attojoules的效率運行。 “在失去準確性之前，你可以發(fā)送一些最小的光功率。我們的芯片的基本限制比傳統(tǒng)的加速器低得多......并且低于其他光子加速器，”Bernstein表示。