Fremskynder maskinlæring ved hjælp af lys

Forskere har udviklet en banebrydende ny tilgang, der hurtigt vil fremskynde maskinlæring - ved hjælp af lys.

Et internationalt team af forskere - fra universiteterne i Münster, Oxford, Exeter, Pittsburgh, École Polytechnique Fédérale (EPFL) og IBM Research Zurich-har udviklet en næste generations computeracceleratorchip, der behandler data ved hjælp af lys frem for elektronik.

Resultaterne er publiceret i det førende videnskabelige tidsskrift Natur på onsdag, 6. januar.

Professor C. David Wright fra University of Exeter, som leder EU-projektet Fun-COMP, som finansierede dette arbejde, sagde:"Konventionelle computerchips er baseret på elektronisk dataoverførsel og er forholdsvis langsomme, men lysbaserede processorer – som den der er udviklet i vores arbejde – gør det muligt at behandle komplekse matematiske opgaver med hastigheder, der er hundredvis eller endda tusindvis af gange hurtigere, og med enormt reduceret energiforbrug. "

Holdet af forskere, ledet af prof. Wolfram Pernice fra Institut for Fysik og Center for Soft Nanoscience ved universitetet i Münster, kombinerede integrerede fotoniske enheder med faseskiftematerialer (PCM'er) for at levere superhurtige, energieffektive matrix-vektor (MV) multiplikationer.

MV-multiplikationer er kernen i moderne computing-fra AI til maskinindlæring og behandling af neurale netværk-og det er vigtigt at foretage sådanne beregninger med stadigt stigende hastigheder, men med stadigt faldende energiforbrug, driver udviklingen af ​​en helt ny klasse af processorchips, såkaldte tensor processing units (TPU'er).

Holdet udviklede en ny type fotonisk TPU - en der er i stand til at udføre flere MV-multiplikationer samtidigt og parallelt, ved at bruge en chip-baseret frekvenskam som lyskilde, sammen med bølgelængde-division-multipleksing.

Matrixelementerne blev lagret ved hjælp af PCM'er - det samme materiale, der i øjeblikket bruges til genskrivbare DVD- og BluRay-optiske diske - hvilket gør det muligt at bevare matrixtilstande uden behov for en energiforsyning.

I deres eksperimenter, holdet brugte deres fotoniske TPU i et såkaldt konvolutionelt neuralt netværk til genkendelse af håndskrevne tal og til billedfiltrering. "Vores undersøgelse er den første til at anvende frekvenskamme inden for kunstige neurale netværk, " siger prof. Wolfram Pernice.

"Vores resultater kan have en bred vifte af applikationer, " forklarede prof. Harish Bhaskaran fra University of Oxford, et centralt medlem af teamet:"En fotonisk TPU kunne hurtigt og effektivt behandle enorme datasæt, der bruges til medicinske diagnoser, såsom dem fra CT, MR- og PET-scannere, " fortsatte han.

Yderligere applikationer kan også findes i selvkørende køretøjer - som afhænger af hurtige, hurtig evaluering af data fra flere sensorer – såvel som til levering af it-infrastruktur såsom cloud computing.