MIT-ը մշակել է նոր ֆոտոնիկ պրոցեսորի ճարտարապետություն։ Դա հազար անգամ կբարձրացնի օպտիկական նեյրոնային ցանցերի արդյունավետությունը՝ համեմատած նմանատիպ սարքերի։
Չիպը կնվազեցնի տվյալների կենտրոնի կողմից սպառվող էլեկտրաէներգիայի քանակը։ Մենք ձեզ կասենք, թե ինչպես է այն աշխատում:
Լուսանկարը - - Անջատեք
Ինչու՞ մեզ պետք է նոր ճարտարապետություն:
Օպտիկական նեյրոնային ցանցերն ավելի արագ են, քան ավանդական լուծումները, որոնք օգտագործում են էլեկտրոնային բաղադրիչներ: Լույս ազդանշանային ուղիների մեկուսացում, և լազերային հոսքերը կարող են անցնել միմյանց միջով առանց փոխադարձ ազդեցության: Այս կերպ բոլոր ազդանշանային ուղիները կարող են միաժամանակ գործել՝ թույլ տալով տվյալների փոխանցման բարձր արագություն:
Բայց կա մի խնդիր՝ որքան մեծ է նեյրոնային ցանցը, այնքան ավելի շատ էներգիա է այն սպառում։ Այս խնդիրը լուծելու համար մշակվում են հատուկ արագացուցիչ չիպեր (AI արագացուցիչներ), որոնք օպտիմալացնում են տվյալների փոխանցումը։ Սակայն դրանք այնքան լավ չեն ծավալվում, որքան մենք կցանկանայինք։
Օպտիկական չիպերի էներգաարդյունավետության և մասշտաբավորման խնդիրը լուծվել է MIT-ում և ֆոտոնիկ արագացուցիչի նոր ճարտարապետություն, որը նվազեցնում է սարքի էներգիայի սպառումը հազար անգամ և աշխատում է տասնյակ միլիոնավոր նեյրոնների հետ: Մշակողները ասում են, որ ապագայում տեխնոլոգիան կիրառություն կգտնի տվյալների կենտրոններում, որոնք փոխազդում են բարդ խելացի համակարգերի և մեքենայական ուսուցման ալգորիթմների հետ, ինչպես նաև վերլուծում են մեծ տվյալները:
Ինչպիսի՞ն է նա:
Նոր չիպը կառուցված է օպտոէլեկտրոնային սխեմայի հիման վրա։ Հաղորդված տվյալները դեռևս կոդավորված են օպտիկական ազդանշաններով, բայց հավասարակշռված հոմոդինի հայտնաբերումն օգտագործվում է մատրիցային բազմապատկման համար () Սա տեխնիկա է, որը թույլ է տալիս էլեկտրական ազդանշան ստեղծել երկու օպտիկական ազդանշանների հիման վրա:
Մեկ ազդանշանային ուղի օգտագործվում է լույսի իմպուլսները փոխանցելու համար մուտքային և ելքային նեյրոնների մասին տեղեկություններով: Նեյրոնների կշիռների վերաբերյալ տվյալները, ընդհակառակը, գալիս են առանձին ուղիներով։ Դրանք բոլորը «տարանջատվում են» համադին ֆոտոդետեկտորների ցանցի հանգույցներից, որոնք հաշվարկում են յուրաքանչյուր նեյրոնի ելքային արժեքը (որոշում են ազդանշանի մակարդակը): Այնուհետև այս տեղեկատվությունը ուղարկվում է մոդուլյատորին, որը էլեկտրական ազդանշանը նորից վերածում է օպտիկականի: Այնուհետև այն ուղարկվում է նեյրոնային ցանցի հաջորդ շերտ և գործընթացը կրկնվում է:
Իրենց գիտական աշխատանքում MIT-ի ինժեներները Հետևյալ դիագրամը մեկ շերտի համար.
Պատկեր: / CC BY
AI արագացուցիչի նոր ճարտարապետությունը յուրաքանչյուր նեյրոնի համար պահանջում է միայն մեկ մուտքային և մեկ ելքային ալիք: Արդյունքում, ֆոտոդետեկտորների թիվը հավասարեցվում է նեյրոնների թվին, այլ ոչ թե դրանց կշռման գործակիցներին:
Այս մոտեցումը թույլ է տալիս խնայել տարածք չիպի վրա, ավելացնել օգտակար ազդանշանային ուղիների քանակը և օպտիմալացնել էներգիայի սպառումը: Այժմ MIT-ի ինժեներները ստեղծում են նախատիպ, որը գործնականում կփորձարկի նոր ճարտարապետության հնարավորությունները:
Էլ ո՞վ է մշակում ֆոտոնային չիպերը:
Նմանատիպ տեխնոլոգիաների զարգացումներ Lightelligence-ը փոքր ստարտափ է, որը հիմնված է Բոստոնում: Ընկերության աշխատակիցներն ասում են, որ իրենց AI արագացուցիչը թույլ կտա լուծել մեքենայական ուսուցման խնդիրները հարյուրավոր անգամ ավելի արագ, քան դասական սարքերը։ Անցյալ տարի թիմն ավարտում էր իրենց սարքի նախատիպի ստեղծումը և պատրաստվում էր թեստեր անցկացնել։
Աշխատում է ֆոտոնիկ չիպերի և Cisco-ի ոլորտում։ Տարեսկզբին ընկերությունը հայտարարեց «Luxtera» ստարտափը, որը նախագծում է ֆոտոնային չիպեր տվյալների կենտրոնների համար: Մասնավորապես, ընկերությունը արտադրում է ապարատային ինտերֆեյսներ, որոնք թույլ են տալիս օպտիկամանրաթելային կապը ուղղակիորեն սերվերներին: Այս մոտեցումը մեծացնում է ցանցի հզորությունը և արագացնում տվյալների փոխանցումը: Luxtera սարքերը օգտագործում են հատուկ լազերներ՝ տեղեկատվության կոդավորման համար, իսկ գերմանիումի ֆոտոդետեկտորները՝ այն վերծանելու համար:
Լուսանկարը - - Անջատեք
Օպտիկական տեխնոլոգիաներով զբաղվում են նաև այլ խոշոր ՏՏ ընկերություններ, ինչպիսին է Intel-ը։ Դեռևս 2016 թվականին նրանք սկսեցին արտադրել իրենց սեփական օպտիկական չիպերը, որոնք օպտիմալացնում են տվյալների փոխանցումը տվյալների կենտրոնների միջև: Վերջերս կազմակերպության ներկայացուցիչները որ նրանք նախատեսում են այդ տեխնոլոգիաները կիրառել տվյալների կենտրոններից դուրս՝ ինքնակառավարվող մեքենաների լիդարներում:
Հետ, որ արդյունքում
Առայժմ ֆոտոնիկ տեխնոլոգիաները չի կարելի անվանել ունիվերսալ լուծում։ Դրանց իրականացումը մեծ ծախսեր է պահանջում տվյալների կենտրոնների տեխնիկական վերազինման համար։ Սակայն MIT-ում և այլ կազմակերպություններում մշակվող նման զարգացումները կդարձնեն օպտիկական չիպերն ավելի էժան և, ամենայն հավանականությամբ, թույլ կտան դրանք տարածվել տվյալների կենտրոնների սարքավորումների զանգվածային շուկայում:
Մենք ներս ենք Մենք օգնում ենք ընկերություններին զարգացնել ՏՏ ենթակառուցվածքը և տրամադրել մասնավոր և հիբրիդային ամպային ծառայություններ: Ահա թե ինչի մասին ենք գրում մեր կորպորատիվ բլոգում.
Source: www.habr.com