Hello Guest

Sign In / Register

Welcome,{$name}!

/ Ausloggen
Deutsch
EnglishDeutschItaliaFrançais한국의русскийSvenskaNederlandespañolPortuguêspolskiSuomiGaeilgeSlovenskáSlovenijaČeštinaMelayuMagyarországHrvatskaDanskromânescIndonesiaΕλλάδαБългарски езикGalegolietuviųMaoriRepublika e ShqipërisëالعربيةአማርኛAzərbaycanEesti VabariikEuskera‎БеларусьLëtzebuergeschAyitiAfrikaansBosnaíslenskaCambodiaမြန်မာМонголулсМакедонскиmalaɡasʲພາສາລາວKurdîსაქართველოIsiXhosaفارسیisiZuluPilipinoසිංහලTürk diliTiếng ViệtहिंदीТоҷикӣاردوภาษาไทยO'zbekKongeriketবাংলা ভাষারChicheŵaSamoaSesothoCрпскиKiswahiliУкраїнаनेपालीעִבְרִיתپښتوКыргыз тилиҚазақшаCatalàCorsaLatviešuHausaગુજરાતીಕನ್ನಡkannaḍaमराठी
Zuhause > Nachrichten > MIT-Forscher entwickeln neue "Photonen" -Chips

MIT-Forscher entwickeln neue "Photonen" -Chips

Vor einigen Tagen haben MIT-Forscher einen neuen "Photon" -Chip entwickelt, der Licht anstelle von Strom verwendet und dabei relativ wenig Strom verbraucht. Der Chip wird verwendet, um große neuronale Netze millionenfach effizienter als vorhandene Computer zu verarbeiten. Die Simulationsergebnisse zeigen, dass der photonische Chip 10 Millionen Mal effizienter arbeitet als der elektronische Chip. Neuronale Netze sind maschinelle Lernmodelle, die häufig für die Erkennung von Roboterzielen, die Verarbeitung natürlicher Sprache, die Arzneimittelentwicklung, die medizinische Bildgebung und das Fahren unbemannter Fahrzeuge verwendet werden. Neue optische neuronale Netze, die optische Phänomene zur Beschleunigung von Berechnungen verwenden, können schneller und effizienter arbeiten als andere elektronische Gegenstücke. Da herkömmliche neuronale Netze und optische neuronale Netze jedoch komplexer werden, verbrauchen sie viel Energie. Um dieses Problem zu lösen, haben Forscher und große Technologieunternehmen wie Google, IBM und Tesla "Artificial Intelligence Accelerators" entwickelt, einen speziellen Chip, der die Geschwindigkeit und Effizienz beim Training und Testen neuronaler Netze verbessert.


Für elektronische Chips, einschließlich der meisten Beschleuniger mit künstlicher Intelligenz, gibt es eine theoretische Mindestgrenze für den Stromverbrauch. Kürzlich begannen MIT-Forscher mit der Entwicklung von Photonenbeschleunigern für optische neuronale Netze. Diese Chips sind um Größenordnungen effizienter, beruhen jedoch auf sperrigen optischen Komponenten, die ihre Verwendung in relativ kleinen neuronalen Netzen einschränken.

In einem in Physical Review X veröffentlichten Artikel haben MIT-Forscher einen neuen Typ von Photonenbeschleuniger beschrieben, der kompaktere Optiken und optische Signalverarbeitungstechniken verwendet, um den Energieverbrauch und die Chipfläche drastisch zu reduzieren. Dadurch kann der Chip auf das neuronale Netzwerk skalieren, das um Größenordnungen größer ist als der entsprechende Chip.

10 Millionen Mal niedriger als die Energiebegrenzung herkömmlicher Elektronenbeschleuniger

Das Simulationstraining des neuronalen Netzwerks auf dem MNIST-Bildklassifizierungsdatensatz zeigt, dass der Beschleuniger das neuronale Netzwerk theoretisch verarbeiten kann, das 10 Millionen Mal niedriger als die Energiebegrenzung des herkömmlichen Elektronenbeschleunigers und 1000 Mal niedriger als die Energiebegrenzung des Photonenbeschleunigers ist . Die Forscher arbeiten derzeit an einem Prototyp-Chip, um die Ergebnisse zu testen.

"Die Leute suchen nach einer Technologie, die über die Energiebasisgrenzen hinaus kalkuliert", sagte Ryan Hamerly, Postdoktorand am Electronic Research Laboratory. "Der Photonenbeschleuniger ist vielversprechend ... aber unsere Motivation ist es, einen (Photonenbeschleuniger) zu bauen, der auf große neuronale Netze erweitert ist."

Zu den praktischen Anwendungen dieser Technologien gehört die Reduzierung des Energieverbrauchs im Rechenzentrum. "Die Nachfrage nach Rechenzentren, in denen große neuronale Netze betrieben werden, wächst und die Nachfrage wird immer schwieriger zu berechnen", sagte Alexander Sludds, Mitautor und Doktorand im Forschungslabor für Elektronik. Netzwerkhardware erfüllt die Anforderungen von Computern, um Engpässe bei Energieverbrauch und Latenz zu beheben. "

Co-Autorin mit Sludds und Hamerly: RLE-Doktorandin, Co-Autorin Liane Bernstein; MIT-Physikprofessor Marin Soljacic; MIT-Juniorprofessor für Elektrotechnik und Informatik Dirk Englund; ein RLE-Forscher und Leiter des Quantum Photonics Laboratory.

Verlassen Sie sich auf eine kompaktere, energieeffizientere "Photovoltaik" -Lösung

Das neuronale Netzwerk verarbeitet die Daten über eine Reihe von Rechenschichten, die miteinander verbundene Knoten ("Neuronen" genannt) enthalten, um Muster in den Daten zu finden. Das Neuron empfängt Eingaben von seinem stromaufwärtigen "Nachbarn" und berechnet ein Ausgangssignal, das an weitere stromabwärtige Neuronen gesendet wird. Jeder Eingabe wird auch ein "Gewicht" zugewiesen, ein Wert, der auf seiner relativen Wichtigkeit für alle anderen Eingaben basiert. Während sich die Daten "in die Tiefe" über mehrere Ebenen verteilen, lernt das Netzwerk komplexere Informationen. Schließlich generiert die Ausgabeebene eine Vorhersage basierend auf der Berechnung der gesamten Ebene.

Das Ziel aller Beschleuniger der künstlichen Intelligenz ist es, die Energie zu reduzieren, die erforderlich ist, um Daten in einem bestimmten linearen algebraischen Schritt in einem neuronalen Netzwerk, das als "Matrixmultiplikation" bezeichnet wird, zu verarbeiten und zu verschieben. Dort werden Neuronen und Gewichte in separate Zeilen und Listen codiert, die dann zur Berechnung der Ausgabe kombiniert werden.

Bei einem herkömmlichen Photonenbeschleuniger codiert der gepulste Laser Informationen über jedes Neuron in einer Schicht und fließt dann in den Wellenleiter und durch den Strahlteiler. Das resultierende optische Signal wird in ein quadratisches optisches Elementgitter eingespeist, das als "Mach-Zehnder-Interferometer" bezeichnet wird und zur Durchführung einer Matrixmultiplikation programmiert ist. Das Interferometer codiert mit jedem Informationsgewicht und verwendet die Signalinterferenztechnik, die das optische Signal und die Gewichtswerte verarbeitet, um die Ausgabe jedes Neurons zu berechnen. Es gibt jedoch ein Skalierungsproblem: Für jedes Neuron muss ein Wellenleiter vorhanden sein, und für jedes Gewicht muss ein Interferometer vorhanden sein. Da die Gewichtsmenge proportional zur Anzahl der Neuronen ist, nehmen diese Interferometer viel Platz ein.

"Sie werden bald feststellen, dass die Anzahl der Eingangsneuronen niemals 100 überschreiten wird, weil Sie nicht so viele Komponenten auf dem Chip installieren können", sagte Hamerly. "Wenn Ihr Photonenbeschleuniger nicht mehr als 100 Schichten pro Schicht verarbeiten kann." Neuronen ist es schwierig, große neuronale Netze auf diese Struktur anzuwenden. "

Die Chips der Forscher stützen sich auf ein kompakteres, energieeffizientes "Photovoltaik" -Schema, das optische Signale zur Codierung der Daten verwendet, aber eine "symmetrische Homodynerkennung" für die Matrixmultiplikation verwendet. Dies ist eine Technik zum Erzeugen eines messbaren elektrischen Signals nach dem Berechnen des Produkts der Amplitude (Wellenhöhe) zweier optischer Signale.


Die optischen impulscodierten Informationseingabe- und -ausgabe-Neuronen jeder neuronalen Netzwerkschicht, die zum Trainieren des Netzwerks verwendet wird, fließen durch einen einzelnen Kanal. Einzelne Impulse, die mit der gesamten Zeile der Gewichtsinformationen in der Matrixmultiplikationstabelle codiert sind, fließen durch separate Kanäle. Die Neuronen- und Gewichtsdaten werden an das optische Signal des Homodyn-Photodetektorgitters übertragen. Der Fotodetektor verwendet die Amplitude des Signals, um den Ausgabewert jedes Neurons zu berechnen. Jeder Detektor gibt ein elektrisches Ausgangssignal für jedes Neuron in einen Modulator ein, der das Signal zurück in einen Lichtimpuls umwandelt. Das Lichtsignal wird zur Eingabe für die nächste Ebene und so weiter.

Dieser Entwurf erfordert nur einen Kanal pro Eingangs- und Ausgangsneuron und erfordert nur so viele Homodyn-Fotodetektoren wie das Neuron, ohne dass Gewicht benötigt wird. Da die Anzahl der Neuronen immer viel geringer ist als das Gewicht, spart dies viel Platz, sodass der Chip auf ein neuronales Netzwerk mit mehr als einer Million Neuronen pro Schicht erweitert werden kann.

Finden Sie den besten Ort

Bei einem Photonenbeschleuniger kommt es zu unvermeidlichem Rauschen im Signal. Je mehr Licht in den Chip eingekoppelt wird, desto geringer ist das Rauschen und desto genauer ist es - aber es kann sehr ineffizient sein. Je weniger Licht eingespeist wird, desto höher ist der Wirkungsgrad. Dies wirkt sich jedoch negativ auf die Leistung des neuronalen Netzwerks aus. Aber es gibt einen "besten Punkt", sagte Bernstein, der die kleinste optische Leistung unter Beibehaltung der Genauigkeit verwendet.

Die optimale Position des Beschleunigers für künstliche Intelligenz wird daran gemessen, wie viele Joule erforderlich sind, um eine einzelne Operation zum Multiplizieren von zwei Zahlen durchzuführen (z. B. Matrixmultiplikation). Heutzutage werden herkömmliche Beschleuniger mit Picojoule oder Terajoule gemessen. Der Photonenbeschleuniger wird bei Attojoule gemessen und ist eine Million Mal effizienter. In der Simulation stellten die Forscher fest, dass ihre Photonenbeschleuniger bei weniger als Attojoule arbeiten können. "Bevor Sie an Genauigkeit verlieren, können Sie eine minimale optische Leistung senden. Die Grundgrenzen unserer Chips sind viel niedriger als bei herkömmlichen Beschleunigern ... und niedriger als bei anderen Photonenbeschleunigern", sagte Bernstein.