Ідея створення комп’ютера, який використовує світло, а не електрику, повертається знову через 50 років. «Оптичні обчислення» давно обіцяли вищу продуктивність, споживаючи набагато менше енергії, ніж звичайні електронні комп’ютери. Однак перспектива створення практичного оптичного комп’ютера була туманною, оскільки вчені щосили намагалися зробити компоненти на основі світла для вже наявних комп’ютерів.
Відродження ідеї
Всупереч всім труднощам та невдачам, оптичні комп’ютери тепер можуть почати новий старт. Дослідники тестують новий тип фотонного комп’ютерного чіпа, який може прокласти шлях для штучних інтелектуальних пристроїв – таких же розумних, як автономні автомобілі, але досить маленьких, щоб поміститися у кишеню.
Звичайний комп’ютер покладається на електронні схеми, які перемикають одна одну взад і вперед у “танці”, ретельно поставленому для відповідності, скажімо, множенню двох чисел. Оптичні обчислення працюють за аналогічним принципом, але замість потоків електронів обчислення виконуються пучками фотонів, які взаємодіють один з одним і з такими компонентами, як лінзи та розшеплювачі пучка. На відміну від електронів, які повинні проходити через завихрення та витки схеми проти припливу опору, фотони не мають маси, рухаються зі швидкістю світла і не отримують додаткової потужності після генерування.
Нові технології для вдосконалення глибокого навчання
Дослідники з Массачусетського технологічного інституту недавно запропонували, щоб світлові обчислення були особливо корисні для поглиблення глибокого навчання, що пояснює багато з недавніх досягнень AI. Глибоке навчання вимагає величезної кількості обчислень: воно тягне за собою подачу величезних наборів даних у великі мережі штучних «нейронів», заснованих на нейронній структурі людського мозку. Кожен штучний нейрон приймає масив чисел, виконує простий розрахунок і відправляє результат на наступний шар нейронів. Шляхом настройки обчислень, виконуваних кожним нейроном, штучна нейронна мережа може навчитися виконувати такі різноманітні завдання, як розпізнавання облич або водіння автомобіля.
Глибоке навчання стало настільки важливим для II, що компанії, включаючи Google і високопродуктивний чипмейкер Nvidia, вкинули мільйони в розробку спеціалізованих чіпів для цього. Чіпи використовують той факт, що більша частина часу штучної нейронної мережі витрачається на «матричні множення» – операції, в яких кожен нейрон підсумовує свої входи, роблячи різні значення для кожного з них. Спеціалізований модуль глибокого навчання виконує багато з цих зважених сум одночасно, обробляючи до сотень невеликих незалежних процесів, що дає значне прискорення.
Цей тип робочого навантаження вимагає обчислювальної потужності, еквівалентної міні-суперкомп’ютеру. Audi та інші компанії, що виробляють автомобілі з автопілотом, мають можливість напхати авто комп’ютерами, але провалилися, намагаючись встановити таку ж обчислювальну потужність в штучно інтелектуальному безпілотнику або мобільному телефоні. І навіть коли нейронну мережу можна запускати на великих серверах, наприклад, за допомогою Google Translate або розпізнавання осіб Facebook, такі надпотужні обчислення можуть забезпечити багатомільйонні рахунки за електроенергію.
У 2015 році Йічен Шен, співробітник MIT та провідний автор нової статті, шукав новий підхід до глибокого навчання для вирішення проблем потужності та розміру. Він знайшов роботу співавтора Ніколаса Харріса, кандидата наук в Массачусетському технологічному інституті в області електротехніки та інформатики, який побудував новий вид оптичного обчислювального чіпа. Хоча більшість попередніх оптичних комп’ютерів зазнали невдачі, Шен зрозумів, що цей оптичний чіп може бути гібрідізований зі звичайним комп’ютером, щоб відкрити нові перспективи для машинного навчання.
Гібрідні комп’ютери
Багато дослідників давно відмовилися від оптичних обчислень. З 1960-х років Bell Labs і інші провели грандіозне проектування частин оптичного комп’ютера, але в кінцевому підсумку їх зусилля не принесли великої користі. «Оптичний еквівалент електронного транзистора ніколи не розроблявся», – каже професор оптичних обчислень Університету Верхнього Ельзасу П’єр Амбс, а світлові промені не змогли виконати основні логічні операції.
На відміну від більшості попередніх оптичних комп’ютерів, Харріс не намагався замінити новим чипом звичайний центральний процесор. Він був розроблений тільки для виконання спеціалізованих квантових обчислень, які використовують квантові стану субатомних частинок для виконання завдань швидше, ніж звичайні комп’ютери. Коли Шен був присутній на розмові Харріса про новий чіп, він зауважив, що квантові обчислення були ідентичні матричним множенням, що сповільнюють глибоке навчання. Він зрозумів, що глибоке навчання може бути «убивчим додатком», який десятиліттями не піддавався оптичним обчисленням. Натхненна, команда MIT під’єднала фотонний чип Харріса до звичайних комп’ютерів, дозволяючи програмі глибокого навчання розвантажувати свої матричні множення на оптичне обладнання.
Коли світлодіодному комп’ютеру потрібне множення матриці, тобто кількість зважених сум деяких чисел, він спочатку перетворює числа у оптичні сигнали, причому великі числа представлені як більш яскраві промені. Оптичний чіп потім розбиває всю проблему множення на безліч менших множень, кожне з яких обробляється одним «осередком» чіпа. Щоб зрозуміти роботу осередку, уявіть два потоки води, що вливаються в нього (вхідні промені світла) і два потоки, що випливають з нього. Осередок діє як решітка шлюзів і насосів – розділяє потоки, прискорює їх або уповільнює та змішує їх разом. Контролюючи швидкість насосів, осередок може направляти різну кількість води до кожного з вихідних потоків.
Оптичний еквівалент насосів – це нагріті канали кремнію. Коли він нагрівається, Харріс пояснює, що «атоми [кремнію] будуть трохи розпливатися, і це змушує світло рухатися з іншою швидкістю», що призводить до того, що світлові хвилі або посилюють, або пригнічують одна одну так само, як звукові хвилі. (Пригнічення нагадує, як працюють навушники з шумопоглинанням). Звичайний комп’ютер встановлює нагрівачі таким чином, що кількість світла, що проходить через кожен з вихідних каналів осередку, являє собою зважену суму входів, причому нагрівачі визначаються вагою.
Най буде світло?
Шен і Харріс тестували свій чіп, навчаючи просту нейронну мережу ідентифікувати різні звуки голосних. Результати були середніми, але Шен пояснює, що потрібно перепрофілювати недосконалий пристрій. Наприклад, компоненти для перетворення цифрових чисел в оптичні сигнали були обрані тільки тому, що їх легко було під’єднати до квантової обчислювальної мікросхеми Харріса. Більш полірована версія їх комп’ютера, виготовлена спеціально для глибокого навчання, може забезпечити ту ж точність, що і кращі звичайні чіпи, скорочуючи споживання енергії на порядок і пропонуючи в 100 разів більшу швидкість, сказано в Nature Photonics. Це дозволило б навіть кишеньковим пристроям мати вбудовані можливості AI без залучення зовнішнього підряду на великі сервери.
Оптичні обчислення ефективні, оскільки у процесі генерації світлові промені подорожують і взаємодіють самі по собі. Ними можна керувати без використання звичайних скляних лінз, в той час як транзисторам потрібна електрика.
Звичайно, сумна історія оптичних обчислень залишає багато місця для скептицизму. «Ми не повинні занадто хвилюватися, – попереджає Амбс. Команда Шена і Харріса ще не продемонструвала повну систему, і досвід Амбса передбачає, що іноді «дуже складно поліпшити рудиментарну систему так різко».Проте, навіть Амбс погоджується, що робота є «великим прогресом у порівнянні з оптичними процесорами 90-х років». Шен і Харріс теж оптимістичні. Вони створюють стартап, щоб комерціалізувати свої технології, і вони впевнені, «це всього лише інженерний виклик для пошуку потрібних людей та фактичного створення пристрою».
