/写真Bill Benzon CC
従来のタイプのコンピューターアーキテクチャは、ニューラルネットワークに重要な計算（複数の行列乗算）に関してはあまり効果的ではありません。 MITチームは、これらの操作を光学ベースで実行する効率的な方法を考案しました。 同時に、ソルジャチク教授によると、調整されたチップは、他のフォトニックコンセプトとは対照的に実用的です。
たとえば、ニュージャージー州プリンストン大学のアレクサンダー・テイトが率いる科学者チームによって 、同様の作業が行われました 。 その後、研究者たちは、ニューロンが光導波路で表される最初のフォトニックニューラルネットワークを作成しました。
科学者によると 、MITの開発により、多くのエネルギーを必要とせずに行列乗算を即座に生成できます。 レンズによる焦点合わせなど、光のいくつかの変換は計算と見なすことができます。 フォトニックチップへの新しいアプローチは、波が互いに相互作用するような方向に向けられた多数の光線を伴います。 これにより、計画された操作の結果を伝える干渉パターンが作成されます。
深層学習フォトンチップ回路
Yichen Shenは、このアーキテクチャを備えたチップは、従来の電子マイクロ回路と比較して、典型的な人工知能アルゴリズムによって実行される計算をはるかに高速で、1動作あたり1000分の1未満のエネルギーで実行できると主張しています。
科学者は、研究の結果を「プログラム可能なナノフォトニックプロセッサ」と呼びます。 導波管のセットが装備されており、特定の計算の必要に応じて接続を変更できます。 Nicholas Harrisは、任意のマトリックス操作に対してカスタマイズが可能であると説明しています。
計算を実行するために、従来のコンピューターは、情報をいくつかのノードを通過する複数の光線にエンコードします。 ここで、マッハ-ツェンダー干渉計と呼ばれる光学要素は、透過光線の特性を変更します-これは、行列乗算と同等です。 さらに、光は一連の減衰器を通過し、光の強度をわずかに暗くします。
これらのプロセスは、光ニューラルネットワークのトレーニングを提供します。 ただし、トレーニング済みの状態を維持するには、少量のエネルギーが依然として必要です。 この研究の著者は、チップがエネルギーを無駄にせずにその状態を維持できる解決策があることを示しています。 これが機能する場合、エネルギーの唯一の消費者はレーザー（光線のソース）と情報をエンコードするコンピューターになります。
システムの動作を実証するために、チームはフォトニックチップを使用して4つの主母音を認識しました。 最も原始的なバージョンでも、システムは従来のモデルの90％と比較して77％の精度レベルを提供しました。 ソルジャチクは、システムの改善に障害はないと考えています。
Dirk Englundは、MITコマンドのプログラマブルナノフォトニックプロセッサをデータ伝送の信号処理に使用できると考えています。 彼の意見では、研究グループの開発は、信号が本質的にアナログ媒体であるため、信号を競合他社よりも高速にデジタル形式に変換するタスクに対処することができます。
チームは、データセンターまたはセキュリティシステムのメンテナンス、および建設における無人車両の使用を使用する可能性のあるテクノロジーの応用分野を呼び出します。 しかし、何らかの方法で、大量配布の前に、テクノロジーの初期開発にすでに費やされたよりもはるかに多くの労力と時間が必要になります。
Ars Technicaの科学編集者であるJohn Timmer は 、このコンセプトには多くの重大な制限があると主張します。 主なものは、光マイクロ回路のサイズです。多くの商業的な問題を解決するには、それらを大きくするか、光を数回通過させる必要があります。 後者の場合、計算のための有能なアルゴリズムを開発する必要があります。 このため、より複雑な操作のコンテキストでは、主張された利点のほとんどが失われる可能性がありますが、研究者が障害を克服し、トレーニングの精度を高めることができれば、システムは、Timmerによると、10万分の1のエネルギーでディープラーニングをサポートできます。従来のGPUよりも。
PS企業IaaSに関する最初のブログのその他の興味深い資料：