Создан фотонный чип, ускоряющий ключевую часть процесса обучения ИИ

Этот чип способен ускорять проведение операций перемножения матриц на вектор.

Физики из США разработали фотонный чип, способный ускорять проведение операций перемножения матриц на вектор, одну из самых затратных и важных математических операций, используемых в процессе обучения и работы нейронных сетей.

Ученые разработали новый чип, который использует волны света, а не импульсы электричества, для исполнения сложных математических расчетов, необходимых для обучения систем искусственного интеллекта. Эти чипы в перспективе радикально ускорят процесс подготовки нейросетей к работе, а также позволят снизить уровень потребления энергии.

Фотонный чип был разработан группой физиков. Чип представляет собой пластинку из кремния, внутри которой присутствует набор из множества частично пересекающихся и соединяющихся волноводов. Эти каналы устроены таким образом, что движущиеся через них лучи особым образом взаимодействуют и меняют свои свойства.

Как объясняют физики, эти взаимодействия по своей сути эквивалентны тому, как если бы закодированные внутри потоков частиц света значения особым образом перемножались друг с другом. Это позволяет использовать фотонные чипы для перемножения матриц на вектор, ключевой математической операции, используемой в процессе обучения нейросетей для определения структуры всей сети.

Для проверки работы этих фотонных чипов ученые изготовили несколько их вариаций, способных перемножать матрицы разных размерностей, получать исходные данные и передавать результаты вычислений. Последующие тесты подтвердили работоспособность фотонных чипов и указали на то, что их можно легко встроить в классические компьютерные микросхемы, что позволит использовать их в качестве ускорителя матричных вычислений.

Использованные учеными подходы для фабрикации фотонных чипов полностью совместимы с теми методами изготовления микрочипов, которые сейчас применяются в промышленности. Это позволит встроить их в качестве сопроцессора в современные GPU-чипы, которые сейчас широко используются в ИИ-индустрии, что значительно ускорит процесс обучения нейросетей и снизит потребление энергии.

Источник: nauka.tass.ru