Идея создания комп’ютера, который использует свет, а не электричество, возвращается снова через 50 лет. «Оптические вычисления» давно обещали высокую производительность, потребляя гораздо меньше энергии, чем обычные электронные комп’компьютеры. Однако перспектива создания практичного оптического комп’ютера была туманной, поскольку ученые изо всех сил пытались сделать компоненты на основе света для уже имеющихся комп’компьютеров.
Возрождение идеи
Вопреки всем трудностям и неудачам, оптические комп’компьютеры теперь могут начать новый старт. Исследователи тестируют новый тип фотонного комп’компьютерного чипа, который может проложить путь для искусственных интеллектуальных устройств – таких же умных, как автономные автомобили, но довольно маленьких, чтобы поместиться в карман.
Обычный комп’компьютер использует электронные схемы, которые переключают друг друга взад и вперед в “танцы”, тщательно поставленном для соответствия, скажем, умножению двух чисел. Оптические вычисления работают по аналогичному принципу, но вместо потоков электронов вычисления выполняются пучками фотонов, которые взаимодействуют друг с другом и с такими компонентами, как линзы и розшеплювачі пучка. В отличие от электронов, которые должны проходить через завихрения и витки схемы против притока сопротивления, фотоны не имеют массы, двигаются со скоростью света и не получают дополнительной мощности после генерирования.
Новые технологии для совершенствования глубокого обучения
Исследователи из Массачусетского технологического института недавно предложили, чтобы световые вычисления были особенно полезны для углубления глубокого обучения, что объясняет многие из недавних достижений AI. Глубокое обучение требует огромного количества вычислений: оно влечет за собой подачу огромных наборов данных в крупные сети искусственных «нейронов», основанных на нейронной структуре человеческого мозга. Каждый искусственный нейрон принимает массив чисел, выполняет простой расчет и отправляет результат на следующий слой нейронов. Путем настройки вычислений, выполняемых каждым нейроном, искусственная нейронная сеть может научиться выполнять такие разнообразные задачи, как распознавание лиц или вождения автомобиля.
Глубокое обучение стало настолько важным для II, что компании, включая Google и высокопроизводительный чипмейкер Nvidia, бросили миллионы в разработку специализированных чипов для этого. Чипы используют тот факт, что большая часть времени искусственной нейронной сети тратится на «матричные умножения» – операции, в которых каждый нейрон суммирует свои входы, делая различные значения для каждого из них. Специализированный модуль глубокого обучения выполняет многие из этих взвешенных сумм одновременно, обрабатывая до сотен небольших независимых процессов, что дает значительное ускорение.
Этот тип рабочей нагрузки требует вычислительной мощности, эквивалентной мини-суперкомп’ютеру. Audi и другие компании, что производят автомобили с автопилотом, имеют возможность напичкать авто комп’компьютерами, но провалились, пытаясь установить такую же вычислительную мощность в искусственно интеллектуальном безпілотнику или мобильном телефоне. И даже когда нейронную сеть можно запускать на больших серверах, например, с помощью Google Translate или распознавания лиц Facebook, такие сверхмощные вычисления могут обеспечить многомиллионные счета за электроэнергию.
В 2015 году Йічен Шен, сотрудник MIT и ведущий автор новой статьи, искал новый подход к глубокого обучения для решения проблем мощности и размера. Он нашел работу соавтора Николаса Харриса, кандидата наук в Массачусетском технологическом институте в области электротехники и информатики, который построил новый вид оптического вычислительного чипа. Хотя большинство предыдущих оптических комп’компьютеров потерпели неудачу, Шен понял, что этот оптический чип может быть гібрідізований с обычным комп’ютером, чтобы открыть новые перспективы для машинного обучения.
Гібрідні комп’компьютеры
Многие исследователи давно отказались от оптических вычислений. С 1960-х годов Bell Labs и другие провели грандиозное проектирования частей оптического комп’ютера, но в конечном итоге их усилия не принесли большой пользы. «Оптический эквивалент электронного транзистора никогда не разрабатывался», – говорит профессор оптических вычислений Университета Верхнего Эльзаса П’єр Амбс, а световые лучи не смогли выполнить основные логические операции.
В отличие от большинства предыдущих оптических комп’компьютеров, Харрис не пытался заменить новым чипом обычный центральный процессор. Он был разработан только для выполнения специализированных квантовых вычислений, которые используют квантовые состояния субатомных частиц для выполнения задач быстрее, чем обычные комп’компьютеры. Когда Шен присутствовал на беседе Харриса о новый чип, он заметил, что квантовые вычисления были идентичны матричным умножением, замедляющие глубокое обучение. Он понял, что глубокое обучение может быть «убийственным приложением», который десятилетиями не подвергался оптическим вычислением. Вдохновленная, команда MIT под’объединяла фотонный чип Харриса в обычных комп’компьютеров, позволяя программе глубокого обучения разгружать свои матричные умножения на оптическое оборудование.
Когда светодиодном комп’ютеру требуется умножение матрицы, то есть количество взвешенных сумм некоторых чисел, он сначала преобразует числа в оптические сигналы, причем большие числа представлены как более яркие лучи. Оптический чип потом разбивает всю проблему умножения на множество меньших умножений, каждое из которых обрабатывается одним «очагом» чипа. Чтобы понять работу организации, представьте два потока воды, что вливаются в него (входящие лучи света) и два потока, вытекающие из него. Ячейка действует как решетка шлюзов и насосов – разделяет потоки, ускоряет или замедляет и смешивает их вместе. Контролируя скорость насосов, ячейка может направлять разное количество воды до каждого из выходных потоков.
Оптический эквивалент насосов – это нагретые каналы кремния. Когда он нагревается, Харрис объясняет, что «атомы [кремния] будут немного расплываться, и это заставляет свет двигаться с другой скоростью», что приводит к тому, что световые волны или усиливают, или подавляют друг друга так же, как звуковые волны. (Угнетение напоминает, как работают наушники с шумоподавлением). Обычный комп’компьютер устанавливает нагреватели таким образом, что количество света, что проходит через каждый из выходных каналов ячейки, представляет собой взвешенную сумму входов, причем нагреватели определяются весом.
Пусть будет свет?
Шен и Харрис тестировали свой чип, обучая простую нейронную сеть, идентифицировать различные звуки гласных. Результаты были средними, но Шен объясняет, что нужно перепрофилировать несовершенный устройство. Например, компоненты для преобразования цифровых чисел в оптические сигналы были выбраны только потому, что их легко было под’объединить квантовой вычислительной микросхемы Харриса. Более полированная версия их комп’ютера, изготовлена специально для глубокого обучения, может обеспечить ту же точность, что и лучшие обычные чипы, сокращая потребление энергии на порядок и предлагая в 100 раз большую скорость, сказано в Nature Photonics. Это позволило бы даже карманным устройствам иметь встроенные возможности AI без привлечения внешнего подряда на крупные серверы.
Оптические вычисления эффективные, поскольку в процессе генерации световые лучи путешествуют и взаимодействуют сами по себе. Ими можно управлять без использования обычных стеклянных линз, в то время как транзисторам нужна электрика.
Конечно, печальная история оптических вычислений оставляет много места для скептицизма. «Мы не должны слишком волноваться, – предупреждает Амбс. Команда Шена и Харриса еще не продемонстрировала полную систему, и опыт Амбса предусматривает, что иногда очень сложно улучшить рудиментарную систему так резко».Однако, даже Амбс соглашается, что работа является «большим прогрессом по сравнению с оптическими процессорами 90-х годов». Шен и Харрис тоже оптимистичны. Они создают стартап, чтобы коммерциализировать свои технологии, и они уверены, «это всего лишь инженерный вызов для поиска нужных людей и фактического создания устройства».
