Optik sinir ağı, akıllı bilgi işlemin geleceğini aydınlatıyor
Görüntü kaynağı @Visual China
Metin | Beyin Kutupsal Gövdesi
Bir soru sorarsanız, derin sinir ağı hesaplamaları yapabilen çipler nelerdir? Vereceğiniz cevaplar değişiklik gösterebilir: CPU, GPU, DSP, NPU ...
Geçtiğimiz birkaç yılda, elektronik bilgi işlem, yapay zeka algoritmalarının, özellikle de derin sinir ağı modellerinin gerçekleştirilmesi için en önemli bilgi işlem gücü desteği haline geldi. Spesifik donanım mimarileri farklı olsa da, kısaca, hepsi von Neumann-tipi hesaplama prensibini, yani VLSI (çok büyük ölçekli entegre devre) "elektronik + mantık" bilgi işleme modunu kullanır. Hesaplama görevini tamamlamak için mantık devresi ve işlemci çipi.
Bununla birlikte, elektronik yöntemlerin kendine has kusurları vardır: Birincisi, sinyallerin birbiriyle kolayca karışması, bu da yüksek yoğunluklu bağlantılar gerektiren sinir ağlarına bazı zorluklar getirmesidir; diğeri, enerji gereksinimlerinin çok yüksek olması ve yüksek hesaplama maliyetlerine neden olmasıdır.
Yapay zekanın ana tema olduğu büyük ölçekli "dijital altyapı" salgınının arifesinde, bilgi işlem gücünde önlem almak, doğal olarak akademik ve endüstriyel çevrelerin en önemli önceliği haline geldi.
Son zamanlarda, Münster Üniversitesi, Oxford Üniversitesi ve Exeter Üniversitesi'nden araştırmacılar, sinir ağının hesaplamaları, tanımayı ve diğer davranışları başarmak için "öğrenmesine" yardımcı olmak için optik bir sistem kullanan yeni bir hesaplama çipini ortaklaşa uyguladılar.
Bununla birlikte, ister optik hesaplama ister beyin benzeri çipler olsun, benzer formülasyonlar akademide zaten mevcuttu ve ilerleme, kendi sınırlamaları nedeniyle yavaştı. Peki, optik derin öğrenme çiplerinin ortaya çıkışı, doğuştan gelen teknolojinin zincirlerini gerçekten kırıyor mu ve bu ne yeni endüstriyel fırsatlar anlamına geliyor?
Optik bilgi işlem + derin sinir ağı "churging" geçmişi
Yeni bilgi işlem donanımını tanıtmadan önce, herkesin zihninde var olabilecek kafa karışıklığına kısaca ve özlü bir şekilde cevap verelim - ışık hesaplamaları nasıl yapar? Ve neden elektronik yöntemlerden daha avantajlıdır?
Derin öğrenme sinir ağlarının insan beyni nöronlarının işleyişini taklit ettiğini biliyoruz. Her katmanda, önceki katmandan (veya giriş kaynağından) gelen sinyaller nöronlar tarafından işlenir ve sonuçlar ve ileri sinyaller bir sonraki katmandaki nöronlara iletilir.
Açıkçası, bu hesaplama yönteminin tamamlanması için nöronlar arasında çok sayıda dinamik bağlantıya güvenmesi gerekiyor ve bu da elektronik yöntemler kullanan çoğu entegre devrelere baskı uygulayacak.
Bu nedenle, herkes diğer donanımları incelemeye başladı ve optik çipler "tüm köyün umudu" oldu.
2017'de MIT araştırmacıları, fotonik teknolojiyi kullanarak sinir ağlarını uygulamak için bir yöntem geliştirdi. Spesifik hesaplamaları programlamak için bir dizi birbirine bağlı dalga kılavuzu (mikrodalga bantları ileten elektromanyetik dalga cihazları) kullanırlar. İşlemci, ışığı bir dizi bağlı foton dalga kılavuzu aracılığıyla yönlendirir, bu nedenle hesaplamayı tamamlamak için yalnızca ışığın yönünü değiştirmek için lensi kullanması gerekir.
Programlanabilir, düşük enerji tüketimi, kulağa harika geliyor mu? Ancak bu şekilde inşa edilen donanımın doğruluğu gerçekten tatmin edici değil, sadece% 77'si, geleneksel yöntemlerle dövülme ritmi.
Ancak bilim adamları yenilgiyi kabul etmediler. 2018'de UCLA bilim adamları optik derin öğrenmeyi "Science" dergisine gönderdi.
Bu sefer, bilim adamları tamamen optik bir derin öğrenme çerçevesi D2NN oluşturmak için 3D baskıyı kullandılar.
Basitçe söylemek gerekirse, araştırmacılar farklı veri türlerini tanıyan ve onlar için modeller oluşturabilen bir optik ağ modeli eğitti.Model, birden çok piksel katmanından oluşur ve her piksel bir nöron gibi bağlanır ve aktarılır Bilgi iletmek için ışık.
Daha sonra, araştırmacılar simülasyon modelini fiziksel olarak yeniden üretmek için beş 3D baskı plastiği katmanını kullanıyor ve katı hal ürün detektörü, nesnenin yüzeyine yansıyan ışıkla karşılık gelen sınıflandırma sonucunu değerlendirebiliyor.
Optik bileşenlerle istiflenen bu tür sinir ağı donanımı,% 91,75 doğruluk oranına sahiptir ve nispeten ucuzdur, ancak cihazı küçültmek zordur, karmaşık verileri ve görüntü analizini işlemek zordur ve tüm parametreleri 3D olarak yazdırılır. Tekrar programlanamaz.
3B yazdırılmış "yapay sinir ağı" çiplerini kullanma
Özetlemek gerekirse, önceki çalışmaların tümü optik hesaplama + sinir ağı çözümleri için kendi yöntemlerini önermişti, ancak cevaplardan daha fazla soru getirdiler ve bilim adamlarının keşfetmeye devam etmesi gerekiyor.
Tamamen optik nörosinaptik sistem: Optik hesaplama süreci yenilenebilir mi?
8 Mayıs'ta Almanya'daki Münster Üniversitesi'nden bilim adamları araştırma sonuçlarını Nature dergisinde yayınladı.
"Kendi kendine öğrenme yeteneklerine sahip tamamen optik spiking nörosinaptik ağlar" makalesi, milimetre seviyesindeki bir fotonik çip üzerinde uygulanabilen tamamen optik bir sinir ağı önermektedir.
Araştırmacılar bunu hayal ettiler:
Giriş verileri (yani, optik dalga kılavuzu) mikron halka rezonatörü tarafından farklı dalga boylarına modüle edilebilir ve ardından ağa enjekte edilebilir ve optik mikroçip üzerinde kalabilir. Daha sonra ağırlık modülasyonu elde etmek için entegre faz değişim materyalini kullanın Bu materyal, ışıkla tetiklenerek önemli ölçüde değişebilir, bu da sinapslar ve nöronlar arasındaki "dürtü" simülasyonu için çok uygundur.
Optik sinir ağında bilgi iletimi, aynı anda ses iletim oyunu oynayan iki grup insan gibidir (tek bir dalga kılavuzunda iki yol) Diğer grubun ses girişimini (eşleşmesini) önlemek için nispeten uzun bir mesafe ile ayrılması gerekir. Aynı zamanda, mesajın içeriğini yaymamak için hiç kimse beyinlerini döndüremez ve keskin dönüşler yapamaz (ışık dalga kılavuzundan çıkar).
Bu nedenle, her grubun iletimi sırasında, küçük bir sekreter (faz değişim malzemesi) gönderilir.Her grubun farklı görevlerine (ağırlıklarına) göre, her iletim işlemi sırasında (mikro rölyef rezonatörünün giriş ve çıkışı), Oyuncular tarafından gönderilen bilgilerde ince ayarlamalar yapın ve her takımın geriye doğru gönderdiği bilgilerin yeterince farklı ve doğru tutulmasını sağlamak için yanlış / değiştirilmiş bilgileri sıfırlayın.
Bunu kanıtlamak için araştırmacılar, dört yapay nöron ve 60 sinapstan oluşan bir çip geliştirdiler.
Çipin yapısı, ışığı optik nano devrede farklı kanallar üzerinden ileten farklı katmanlardan oluşur.
Moleküler optik nöron devresi
Araştırmacılar, tam optik sinaptik sistemin belirli bir sisteme dayanıp dayanamayacağını test etmek için ışık darbeleri şeklinde geriye doğru bilgi "sağlamak" için iki farklı makine öğrenme algoritması, yani küçük ölçekli denetimli öğrenme ve denetimsiz öğrenme kullandılar. Işık, belirli kalıpları tanır.
Şu anda, araştırmacılar bu teknolojiyi kullanarak optik örüntü tanımayı başarıyla uyguladılar ve fotonik sinir ağlarının ölçeklenebilirliğini kanıtladılar.
Burada, bu yeni optik sinir ağı donanımının özel özelliklerini kısaca özetleyebiliriz:
Her şeyden önce, öncüllerin çözemediği problemini çözüyor - optik hesaplamanın tanıma doğruluğu, programlanabilirlik ve minyatürleştirme kusurlarını - böylece bilgisayar donanımı alanındaki optik hesaplama potansiyeli yeni umutlar getirdi.
Geliştirilmekte olan optik mikroçip sadece bir kuruş boyutunda
Ek olarak, bu donanımın hesaplama yöntemi beyindeki nöron sinapslarının bilgi aktarımına oldukça benzerdir, bu sadece bilginin (verilerin) yapay sinir ağında iletilmesini sağlamakla kalmaz, aynı zamanda etkili bir şekilde işlenebilir ve depolanabilir. Bilginin beyne daha benzer bir şekilde işlenmesi, daha yüksek performanslı algoritmalar geliştirmeye yardımcı olur ve bu da akıllı makinelerin gerçek dünyadaki görevleri daha iyi gerçekleştirmesine yardımcı olur.
Dahası, sistem yalnızca ışık altında çalışır ve optik hesaplamanın avantajlarından tam olarak yararlanmasını sağlar, verilerin işlenmesi birçok kez daha hızlıdır ve tıbbi teşhis modelleri gibi bazı büyük ölçekli veriler için sinir ağları için daha uygundur. Ve daha fazla enerji tasarrufu yapın.
Bazı insanların neden enerji verimli, ölçeklenebilir fotonik sinir çipleri nihayet ortaya çıkarsa, bu ekibin araştırmasının kesinlikle öncü bir çalışma olduğunu düşündüklerini anlamak zor değil.
Elbette ölçeklenebilir fotonik sinir ağı sisteminin gerçekte uygulanmasını istiyorsanız bir çok takip çalışması yapılması gerekiyor.
En önemli şey, gerçek büyük ölçekli bilgisayar uygulama senaryolarına daha fazla yaklaşmak ve bunlara uyum sağlamak için yapay nöronların ve sinapsların sayısını ve sinir ağının derinliğini artırmaktır.
Ayrıca yonga üretiminde belirli sınırlamalar vardır. Buna cevaben, Exeter Üniversitesi'nden Profesör David Wright, silikon teknolojisinin optik nano çip üretmek için kullanılacağını söyledi.
Dikkate değer bir diğer konu, sistemdeki son derece kritik faz değişim materyalinin kristalleşme hızının ışık hızını absorbe edip yavaşlatması, böylece nöronların maksimum uyarılma oranını sınırlaması ve ışığın çapraz bağlanmasına belirli karmaşık etkiler getirmesidir. Bu nedenle, sisteme enjekte edilen toplam optik gücün, malzemenin giriş sinyaline tepkisinin tamamen beklentilerle uyumlu olmasını sağlamak için dikkatlice kalibre edilmesi gerekir.
Her durumda, optik bilgi işlem donanımı, uygulama düzeyinde hala birçok zorluk ve güçlükle karşılaşsa da, büyük ölçekli uygulamalar için net bir zaman çizelgesi yoktur. Ancak aşağı yukarı daha ilginç ve uygulanabilir hesaplama yöntemlerini görelim, geleceğin bilgi işlem güç kaynakları hala bol ve dört gözle beklemeye değer.
Akıllı altyapının gelişmesiyle birlikte optik bilgi işlem giderek daha önemli hale gelecektir.
Daha heyecan verici içerik için Titanium Media WeChat ID'yi (ID: taimeiti) takip edin veya Titanium Media Uygulamasını indirin
