پیشرفت یادگیری ماشین توسط تراشه های مبتنی بر نور

 پیشرفت یادگیری ماشین توسط تراشه های مبتنی بر نور

پیشرفت یادگیری ماشین توسط تراشه های مبتنی بر نور

در عصر دیجیتال، ترافیک داده‌ها با سرعت تصاعدی در حال رشد است. تقاضا برای قدرت محاسبه و پردازش برای اپلیکیشن های کاربردی افزایش یافته است و طراحی و ساخت هوش مصنوعی برای انجام کارهایی مانند تشخیص الگو و گفتار یا ساخت وسایل نقلیه خود ران، اغلب بیش از ظرفیت پردازنده های رایج رایانه است. محققان دانشگاه مونستر با همکاری یک تیم بین‌المللی در حال توسعه رویکردهای جدید و معماری فرآیندهای مختلف هستند که می‌توانند به‌طور بسیار کارآمد این وظایف را انجام دهند. آن‌ها اکنون نشان داده‌اند که پردازنده های به‌اصطلاح فوتونیک که داده‌ها با آن‌ها توسط نور پردازش می‌شوند، می‌توانند اطلاعات را خیلی سریع‌تر و به‌صورت موازی پردازش کنند. این کاری است که تراشه های الکترونیکی قادر به انجام آن نیستند. نتایج این تحقیق در ژورنال نیچر / Nature منتشر شده است.

این تیم بین‌المللی محققان از شبکه‌های فوتونی برای شناسایی الگو استفاده می‌کنند.

زمینه و روش استفاده از تراشه های مبتنی بر نور برای پیشرفت عملکرد یادگیری ماشین

پردازنده های مبتنی بر نور برای سرعت بخشیدن به وظایف در زمینه یادگیری ماشین، پردازش وظایف پیچیده ریاضی را با سرعت بسیار سریع (۱۰به توان ۱۲ الی ۱۵ عملیات در ثانیه) امکان‌پذیر می‌کنند. تراشه های معمولی مانند کارت های گرافیک یا سخت‌افزارهای تخصصی مانند TPU (واحد پردازش تنسور) گوگل مبتنی بر انتقال داده‌های الکترونیکی هستند و بسیار کندتر هستند. تیم محققان به سرپرستی پروفسور ولفرام پرنیس از انستیتوی فیزیک و مرکز علوم نانو در دانشگاه مونستر، یک شتاب‌دهنده سخت‌افزاری برای اصطلاحات ضرب ماتریسی اجرا کردند که بار اصلی پردازش در محاسبه شبکه‌های عصبی را نشان می‌دهد. شبکه‌های عصبی مجموعه‌ای از الگوریتم‌ها هستند که مغز انسان را شبیه‌سازی می‌کنند. این به‌عنوان مثال برای طبقه‌بندی اشیاء در تصاویر و تشخیص گفتار مفید است.

محققان ساختارهای فوتونی را با مواد تغییر فاز (PCM) به‌عنوان عناصر ذخیره‌سازی با مصرف انرژی ترکیب کردند. PCM ها معمولاً با DVD یا دیسک‌های BluRay در ذخیره‌سازی اطلاعات نوری استفاده می‌شوند. در پردازنده های جدید، ذخیره و حفظ عناصر ماتریس بدون نیاز به منبع انرژی امکان‌پذیر است. برای انجام ضربات ماتریسی در چندین مجموعه داده به‌طور موازی، فیزیکدانان مونستر از یک شانه فرکانس مبتنی بر تراشه به‌عنوان منبع نور استفاده کردند. یک شانه فرکانسی انواع طول ‌موج‌های نوری را فراهم می‌کند که به‌طور مستقل از یکدیگر در همان تراشه فوتونیکی پردازش می‌شوند. در نتیجه، این تراشه پردازش داده‌ها را با محاسبه هم‌زمان تمام طول موج‌ها و همچنین به‌عنوان مالتی پلکسینگ طول موج، پردازش داده‌های بسیار زیاد را به‌صورت موازی انجام می‌دهد.

وولفرام پرنیس در این باره گفته است:

تحقیق ما اولین مطالعه استفاده از شانه فرکانس در زمینه شبکه‌های عصبی مصنوعی است.

سرعت مدولاسیون نوری را می‌توان تا محدوده ۵۰ تا ۱۰۰ گیگاهرتز پیش برد

در این آزمایش، فیزیکدانان از یک شبکه عصبی به‌اصطلاح کانولوشنال برای شناسایی اعداد دست‌نویس استفاده کردند. این شبکه‌ها مفهومی در زمینه یادگیری ماشین هستند که از فرایندهای بیولوژیکی الهام گرفته شده‌اند. آن‌ها در درجه اول در پردازش تصویر یا داده‌های صوتی استفاده می‌شوند، زیرا در حال حاضر بالاترین دقت طبقه‌بندی را به دست می‌آورند. یوهانس فلدمن که نویسنده اصلی تحقیق است، در این مورد توضیحاتی را ارائه داده است:

عملیات کانولوشن بین داده‌های ورودی و یک یا چند فیلتر – که می‌تواند برجسته‌سازی لبه‌های عکس باشد – به‌خوبی می‌تواند به معماری ماتریس ما منتقل شود. بهره‌برداری از نور برای انتقال سیگنال، پردازنده را قادر می‌سازد تا پردازش داده‌های موازی را از طریق مالتی پلکسینگ طول موج انجام دهد که منجر به تراکم محاسباتی بالاتر و ضربات ماتریس زیادی در یک مرحله است. برخلاف الکترونیک سنتی که معمولاً در محدوده کمتر از گیگاهرتز کار می‌کنند، سرعت مدولاسیون نوری را می‌توان تا محدوده ۵۰ تا ۱۰۰ گیگاهرتز پیش برد. این به آن معنی است که فرآیند جدید اجازه می‌دهد تا نرخ داده‌ها و تراکم محاسبات – به عبارت دیگر عملیات در هر منطقه از پردازنده – به‌گونه‌ای انجام شود که قبلاً هرگز حاصل نشده بود.

Light-Processor-for-Matrix-Multiplications

تصویر بالا، نمایش شماتیک یک پردازنده برای ضرب‌های ماتریسی که روی نور کار می‌کنند را نشان می‌دهد. همراه با یک شانه فرکانس نوری، آرایه میله‌ای هدایت‌کننده موج پردازش داده‌های زیاد به‌صورت موازی را امکان‌پذیر می‌کند. اعتبار: WWU / AG Pernice

ساخت وسایل نقلیه خود ران با استفاده از پردازشگر های نوری به ارزیابی سریع داده‌های حسگرها و زیرساخت‌های فناوری اطلاعات مانند رایانش ابری بستگی دارد

این نتایج دارای طیف گسترده‌ای از اپلیکیشن ها هستند. به‌عنوان مثال و در زمینه هوش مصنوعی، داده‌های بیشتری می‌توانند هم‌زمان با صرفه‌جویی در انرژی پردازش شوند. استفاده از شبکه‌های عصبی بزرگ‌تر امکان پیش‌بینی دقیق‌تر را که تاکنون دست‌نیافتنی بود، ممکن می‌کند و تجزیه‌وتحلیل دقیق‌تر داده‌ها را فراهم می‌کند. به‌عنوان مثال، پردازنده های فوتونی از ارزیابی مقادیر زیادی داده در تشخیص‌های پزشکی – به‌عنوان مثال در داده‌های سه‌بعدی با وضوح بالا که در روش‌های تصویربرداری ویژه تولید می‌شوند – پشتیبانی می‌کنند. اپلیکیشن های پیشنهادشده بیشتر در زمینه ساخت وسایل نقلیه خود ران است که به ارزیابی سریع داده‌های حسگرها و زیرساخت‌های فناوری اطلاعات مانند رایانش ابری بستگی دارد که فضای ذخیره‌سازی، قدرت محاسبات یا نرم‌افزارهای کاربردی را فراهم می‌کند.

شرکای تحقیقاتی این مطالعه علاوه بر محققان دانشگاه مونستر، دانشمندان دانشگاه‌های آکسفورد و اکستر انگلیس، دانشگاه پیتسبورگ آمریکا، دانشکده پلی تکنیک فدرال (EPFL) در لوزان سوئیس و آزمایشگاه تحقیقاتی IBM در زوریخ نیز هستند و در این پروژه نقش داشتند.

این مطالعه از پروژه اتحادیه اروپا با نام فان کامپ و از شورای تحقیقات اروپا (ERC Grant PINQS) پشتیبانی مالی دریافت کرده است.

۰منبع خبر

Amirkabir

مطلب مرتبط

پاسخ دهید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *