واحد پردازش مبتنی بر فوتون به یادگیری ماشین پیچیده تر کمک می‌کند

یادگیری ماشین توسط شبکه‌های عصبی انجام می‌شود. یادگیری ماشین رویکرد رایجی در جهت رشد هوش مصنوعی است. هدف محققان تقلید از عملکردهای مغری در اپلیکیشن‌ها است.

به تازگی مقاله‌ای در مجله Applications Physics Review، مربوط به انتشارات AIP چاپ شد. این مقاله روش جدیدی را برای انجام محاسبات مورد نیاز یک شبکه عصبی با استفاده از نور به جای الکتریسته پیشنهاد می‌دهد. در این روش، یک هسته تانسور فوتونی چندین ضرب ماتریس را به صورت موازی انجام می‌دهد. همین امر، سرعت و کارایی پارادایم‌های یادگیری عمیق فعلی را بهبود می‌بخشد.

یادگیری ماشین

در یادگیری ماشین، شبکه‌های عصبی برای یادگیری انجام تصمیم گیری نظارت نشده و طبقه بندی داده‌های ضمنی آموزش دیده‌اند. هنگامی که یک شبکه عصبی با داده‌ها آموزش می‌بیند، می‌تواند استنباطی را برای تشخیص و طبقه بندی اشیاء و الگوهای ایجاد کند.

TPU فوتونیک

TPU فوتونیک به طور موازی داده‌ها را ذخیره و پردازش می کند، دارای یک اتصال بین نوری است. این اتصال به حافظه نوری امکان خواندن و نوشتن کارآمد می‌دهد. TPU فوتونیک در همه معماری‌ها قابل استفاده است.

به گفته ماریو میسگولیو: سیستم عامل‌های فوتونیک حافظه‌های نوری کارآمد را یکپارچه سازی می‌کنند. این سیستم عامل‌ها می‌توانند عملیاتی مشابه با واحد پردازش تانسور انجام دهند. اما برق زیادی مصرف می‌کنند و از قدرت بالاتری برخوردار هستند. در صورت آموزش به صورت فرصت طلبانه می توانند برای استنباط و استنتاج با سرعت نور، استفاده شوند.

شبکه‌های عصبی

اکثر شبکه‌های عصبی از چندین لایه سلول عصبی تشکیل شده‌اند. هدف این شبکه‌های عصبی تقلید از مغز انسان است. یک روش کارآمد نمایش این شبکه‌ها نمایش با استفاده از یک تابع ترکیبی است که بردارها و ماتریس‌ها را در هم ضرب می‌کند. این کار نشان دهنده توانایی انجام عملیات موازی در معماری‌های مخصوص عملیات برداری، مانند ضرب ماتریس‌ها است.

با این وجود هرچه کاری نیازمند هوش بیشتری باشد و دقت بالاتری بخواهد، شبکه پیچیده‌تر می شود. این شبکه‌ها نیازمند داده‌های بیشتری و قدرت بیشتری برای پردازش هستند.

پردازنده‌های دیجیتالی

پردازنده‌های دیجیتالی فعلی برای یادگیری عمیق، مانند واحد پردازش گرافیک یا واحد پردازش تانسور با محدودیت‌هایی روبرو هستند. انجام عملیات پیچیده‌تر به دقت بیشتر و توان بیشتری نیاز دارد. همچنین وجود کندی در انتقال داده‌های الکترونیک بین پردازنده و حافظه مسئله دیگری است که باید برطرف شود.

محققان نشان دادند كه عملکرد TPU آنها می‌تواند 2-3 درجه بالاتر از TPU الکتریکی باشد. فوتون‌ها همچنین ممکن است یک مورد ایده آل برای شبکه‌های محاسباتی با گره‌های توزیع شده و موتورهایی که وظایف هوشمند را اجرا می‌کنند، با توان بالای شبکه، مانند شبکه 5G باشند. در لبه‌های شبکه، ممکن است سیگنال‌های داده به شکل فوتون از دوربین‌های مداربسته، حسگرهای نوری و منابع دیگر وجود داشته باشد.

پردازنده فوتونیک

Miscuglio گفت:”پردازنده‌های تخصصی فوتونیک می‌توانند در مصرف انرژی صرفه جویی کنند، زمان پاسخگویی را بهبود بخشند و ترافیک مراکز داده را کاهش دهند.”

برای کاربر نهایی، این بدان معنی است که داده‌ها خیلی سریعتر پردازش می شوند، زیرا بخش بزرگی از داده‌ها از پیش پردازش شده اند. به این معنی که فقط باید بخشی از داد‌ه‌ها به ابر یا مرکز داده ارسال شوند.