MIT معماری یک پردازنده فوتونیک جدید را توسعه داده است. بازده شبکه های عصبی نوری را در مقایسه با دستگاه های مشابه هزار برابر افزایش می دهد.
این تراشه میزان برق مصرفی مرکز داده را کاهش می دهد. ما به شما خواهیم گفت که چگونه کار می کند.
Фото - - پاشیدن
چرا به یک معماری جدید نیاز داریم؟
شبکه های عصبی نوری سریعتر از راه حل های سنتی هستند که از قطعات الکترونیکی استفاده می کنند. سبک جداسازی مسیرهای سیگنال و جریان های لیزری می توانند بدون تأثیر متقابل از یکدیگر عبور کنند. به این ترتیب، همه مسیرهای سیگنالینگ می توانند به طور همزمان کار کنند و امکان انتقال داده با سرعت بالا را فراهم می کنند.
اما یک مشکل وجود دارد - هر چه شبکه عصبی بزرگتر باشد، انرژی بیشتری مصرف می کند. برای حل این مشکل، تراشه های شتاب دهنده ویژه (شتاب دهنده های هوش مصنوعی) در حال توسعه هستند که انتقال داده ها را بهینه می کنند. با این حال، آنها آنقدر که ما می خواهیم مقیاس نمی شوند.
مشکل بهره وری انرژی و مقیاس پذیری تراشه های نوری در MIT حل شد یک معماری جدید شتاب دهنده فوتونیک که مصرف انرژی دستگاه را هزار برابر کاهش می دهد و با ده ها میلیون نورون کار می کند. توسعه دهندگان می گویند که در آینده این فناوری در مراکز داده که با سیستم های هوشمند پیچیده و الگوریتم های یادگیری ماشین تعامل دارند و همچنین داده های بزرگ را تجزیه و تحلیل می کنند، کاربرد پیدا خواهد کرد.
آنچه او است
تراشه جدید بر اساس مدار الکترونیکی نوری ساخته شده است. داده‌های ارسالی هنوز با سیگنال‌های نوری کدگذاری می‌شوند، اما تشخیص homodyne متعادل برای ضرب ماتریس استفاده می‌شود.). این تکنیکی است که به شما امکان می دهد یک سیگنال الکتریکی بر اساس دو سیگنال نوری تولید کنید.
یک مسیر سیگنالینگ واحد برای انتقال پالس های نور با اطلاعات مربوط به نورون های ورودی و خروجی استفاده می شود. برعکس، داده‌های مربوط به وزن نورون‌ها از طریق کانال‌های جداگانه به دست می‌آیند. همه آنها به گره های شبکه ای از آشکارسازهای نوری homodyne "واگرا" می شوند، که مقدار خروجی هر نورون را محاسبه می کند (سطح سیگنال را تعیین می کند). سپس این اطلاعات به یک مدولاتور ارسال می شود که سیگنال الکتریکی را دوباره به نوری تبدیل می کند. سپس به لایه بعدی شبکه عصبی ارسال می شود و فرآیند تکرار می شود.
در کار علمی خود مهندسان MIT نمودار زیر برای یک لایه:
تصویر: / CC توسط
معماری جدید شتاب دهنده هوش مصنوعی تنها به یک ورودی و یک کانال خروجی برای هر نورون نیاز دارد. در نتیجه، تعداد ردیاب‌ها با تعداد نورون‌ها برابر است نه ضرایب وزنی آنها.
این رویکرد به شما امکان می دهد تا در فضای تراشه صرفه جویی کنید، تعداد مسیرهای سیگنال مفید را افزایش دهید و مصرف انرژی را بهینه کنید. اکنون مهندسان MIT در حال ایجاد یک نمونه اولیه هستند که قابلیت های معماری جدید را در عمل آزمایش می کند.
چه کسی دیگری در حال توسعه تراشه های فوتونیک است؟
توسعه فناوری مشابه Lightelligence یک استارت آپ کوچک در بوستون است. کارمندان شرکت می گویند که شتاب دهنده هوش مصنوعی آنها اجازه می دهد مشکلات یادگیری ماشینی را صدها برابر سریعتر از دستگاه های کلاسیک حل کند. سال گذشته، تیم در حال تکمیل ساخت نمونه اولیه دستگاه خود و آماده سازی برای انجام آزمایشات بود.
در زمینه تراشه های فوتونیک و سیسکو کار می کند. در ابتدای سال این شرکت اعلام کرد استارت آپ Luxtera که تراشه های فوتونیکی را برای مراکز داده طراحی می کند. به ویژه، این شرکت رابط های سخت افزاری تولید می کند که به شما امکان می دهد فیبر نوری را مستقیماً به سرورها متصل کنید. این رویکرد ظرفیت شبکه را افزایش می دهد و سرعت انتقال داده ها را افزایش می دهد. دستگاه‌های Luxtera از لیزرهای ویژه برای رمزگذاری اطلاعات و ردیاب‌های نوری ژرمانیومی برای رمزگشایی آن استفاده می‌کنند.
Фото - - پاشیدن
سایر شرکت های بزرگ فناوری اطلاعات مانند اینتل نیز در زمینه فناوری های نوری فعالیت دارند. در سال 2016، آنها شروع به تولید تراشه های نوری خود کردند که انتقال داده بین مراکز داده را بهینه می کند. اخیراً نمایندگان سازمان که آنها قصد دارند این فناوری ها را خارج از مراکز داده - در لیدارهای مخصوص خودروهای خودران - پیاده سازی کنند.
که منجر به
تا کنون، فناوری های فوتونیکی را نمی توان یک راه حل جهانی نامید. اجرای آنها مستلزم هزینه های زیادی برای تجهیز مجدد فنی مراکز داده است. اما پیشرفت‌هایی مانند آنچه در MIT و سایر سازمان‌ها توسعه می‌یابد، تراشه‌های نوری را ارزان‌تر می‌کند و به احتمال زیاد به آنها اجازه می‌دهد تا به بازار انبوه تجهیزات مرکز داده معرفی شوند.
ما در ما به شرکت ها کمک می کنیم تا زیرساخت های فناوری اطلاعات را توسعه دهند و خدمات ابری خصوصی و ترکیبی ارائه دهند. این چیزی است که ما در مورد وبلاگ شرکت خود می نویسیم:
منبع: www.habr.com