基于轻型的处理器芯片提前机器学习

用于在光上运行的矩阵乘法的处理器的示意图。与光学频率梳一起，波导横杆阵列允许高度并行数据处理。

国际研究人员使用光子网络进行模式识别。

在数字时代，数据流量以指数速率增长。特别是图案和语音识别的人工智能中的应用的计算能力，或者用于自动驾驶车辆，通常超过传统计算机处理器的容量。Münster大学的研究人员与国际队伍共同努力开发新的方法和流程架构，可以非常有效地应对这些任务。他们现在已经表明，所谓的光子处理器，通过光线处理数据，可以更快地处理信息，并并行地处理信息 - 电子芯片无法做到。研究结果已发表在《自然》杂志上。

背景和方法

基于轻基的处理器，用于加速机器学习领域的任务，使得能够以极大的快速加速（每秒10 -10°操作）进行¹²复¹杂的数学任务。常规芯片如图形卡或谷歌的TPU（张量处理单元）等专业硬件基于电子数据传输，并且较慢。由Münster大学的物理研究所和软纳米科学系的Wolfram Pernice教授领导的研究人员团队为所谓的矩阵乘法实现了硬件加速器，其代表了神经网络计算中的主要处理负荷。神经网络是一系列模拟人脑的算法。例如，这是有用的，例如，用于对图像中的对象和语音识别进行分类。

研究人员将具有相变材料（PCM）的光子结构组合为节能存储元件。PCM通常与光学数据存储中的DVD或模糊光盘一起使用。在新处理器中，这使得可以在不需要能量供应的情况下存储和保留矩阵元件。为了在多个数据集上执行矩阵乘法，Münster物理学家使用基于芯片的频率梳作为光源。频率梳提供各种光波长，其在相同的光子芯片中彼此独立地处理。结果，这通过同时计算所有波长来实现高度并行数据处理 - 也称为波长复用。“我们的研究是第一个在人工神经网络领域应用频率梳理的人，”Wolfram Pernice说。

在实验中，物理学家使用所谓的卷积神经网络来识别手写数字。这些网络是由生物过程启发的机器学习领域的概念。它们主要用于处理图像或音频数据，因为它们目前达到了分类的最高精度。“输入数据和一个或多个过滤器之间的卷积操作 - 这可以是照片中的边缘的突出显示，例如 - 可以很好地转移到我们的矩阵架构，”Johannes Feldmann，该研究的主要作者解释说。“用于信号传输的利用光使得处理器能够通过波长复用来执行并行数据处理，这导致更高的计算密度，并且仅在一个时间步单中执行许多矩阵乘法。与传统电子设备相比，通常在低GHz范围内工作，可以通过高达50到100 GHz范围的速度实现光学调制速度。“这意味着该过程允许数据速率和计算密度，即每个区域的操作，从未达到过。

结果具有广泛的应用。例如，在人工智能领域，可以同时处理更多数据，同时节省能量。使用较大的神经网络允许更准确，迄今为止无法实现，预测和更精确的数据分析。例如，光子处理器支持在医学诊断中的大量数据的评估，例如在特殊成像方法中产生的高分辨率3D数据中。进一步的应用是自驾驶车辆的领域，这取决于传感器数据的快速，快速评估，以及提供存储空间，计算功率或应用软件的云计算等IT基础架构。

有关该研究的更多信息，请读取由并行卷积光的处理器提升的AI。

参考：由J.费尔德曼，N.布拉德，M.卡尔波夫，H. Gehring集团，X.李，M. Stappers，M.勒加洛，X.赋，A. Lukashchuk，AS“使用集成光子张量核并行处理卷积” Raja，J. Liu，CD Wright，A. Sebastian，TJ Kippenberg，WHP Pernice和H.Bhaskaran，2011年1月6日，Nature.Doi：
10.1038 / S41586-020-03070-1

研究合作伙伴：除了Münster大学的研究人员，牛津大学和英国埃克斯郡大学的科学家们还参与了瑞士洛桑的ÉcolePolytechniqueFédérale（EPFL）和苏黎世的IBM研究实验室在这项工作中。

资金：该研究获得了欧盟项目“Funcomp”和欧洲研究理事会（ERC Grant“Pinqs）的财政支持。