Υπολογιστές ταχύτητας φωτός "Single-shot" αντικαταθιστούν τις GPUs;

Η ανάγκη για ταχύτερη υπολογιστική ισχύ δεν υπάρχει απλώς για να ικανοποιήσει τους ανυπόμονους καταναλωτές που θέλουν να κάνουν streaming ταινιών ενώ συνομιλούν με βίντεο, παίζουν παιχνίδια VR και κάνουν 3D εκτυπώσεις. Υπάρχει για να διαχειριστεί την εκρηκτική εξάπλωση των δεδομένων στον σύγχρονο ψηφιακό κόσμο. Οι συνηθισμένες μονάδες επεξεργασίας γραφικών (GPUs) στους τυπικούς υπολογιστές απλώς δεν μπορούν να κλιμακωθούν ή να εργαστούν αρκετά γρήγορα για να αντιμετωπίσουν αυτή την τεράστια υπερχείλιση. Ακόμα χειρότερα, τα data centers τεχνητής νοημοσύνης που είναι γεμάτα με GPUs καταναλώνουν τεράστιες ποσότητες ηλεκτρικής ενέργειας (κυρίως από μη ανανεώσιμες πηγές) και νερού (συχνά σε άνυδρες περιοχές).

Εδώ έρχονται η Ομάδα Φωτονικής στο Τμήμα Ηλεκτρονικής και Νανομηχανικής του Πανεπιστημίου Aalto και η Κινεζική Ακαδημία Επιστημών, Changchun, που  αποκαλύπτουν την υπολογιστική τους μέθοδο που χρησιμοποιεί μία μόνο διάδοση φωτός (γνωστή ως «single-shot tensor computing at light speed in a parallel optical matrix–matrix multiplication» (POMMM)).

Αυτό το είδος ανακάλυψης φέρνει τη Γενική Τεχνητή Νοημοσύνη (AGI) ένα μεγάλο βήμα πιο κοντά.

Η μέθοδος εκτελεί τα ίδια είδη που διαχειρίζονται οι σημερινές GPUs, όπως «συνελίξεις (convolutions) και επίπεδα προσοχής (attention layers), αλλά τα κάνει όλα με την ταχύτητα του φωτός». Αντί για την τυπική δυαδική κωδικοποίηση πληροφοριών που χρησιμοποιεί ηλεκτρονικά κυκλώματα με σήματα από άσους και μηδενικά, οι ερευνητές χρησιμοποιούν το πλάτος και τη φάση των κυμάτων φωτός για την αποθήκευση, επεξεργασία και μεταφορά δεδομένων. Με αυτόν τον τρόπο όχι μόνο εξοικονομείται ενέργεια, αλλά παρέχεται μια γιγαντιαία επέκταση του εύρους ζώνης (bandwidth) και της ταχύτητας επεξεργασίας — στην πραγματικότητα, εκτελεί πολλές από τις διεργασίες της ταυτόχρονα.

Οι συνδυασμένες αλληλεπιδράσεις των φωτεινών πεδίων παράγουν φυσικά μαθηματικές πράξεις, συμπεριλαμβανομένων των πολλαπλασιασμών τενσόρων (tensor multiplications). Η επεξεργασία τενσόρων οργανώνει τα δεδομένα σε πολυδιάστατους πίνακες (φανταστείτε έναν πίνακα 2D ως ένα μεμονωμένο ράφι σε μια αρχειοθήκη, και έναν πίνακα 3D ως μια αρχειοθήκη με πολλά ράφια στοιβασμένα κατακόρυφα) που ονομάζονται τένσορες δεδομένων (data tensors). Η επεξεργασία τενσόρων βρίσκεται παντού στην τεχνολογία αιχμής, ιδιαίτερα στην ανάλυση δεδομένων και την τεχνητή νοημοσύνη, συμπεριλαμβανομένης της επεξεργασίας φυσικής γλώσσας και της αναγνώρισης εικόνας. Βρίσκεται στην καρδιά των αλγορίθμων βαθιάς μάθησης (deep learning).

Ωστόσο, οι τρέχουσες οπτικές μέθοδοι τα καταφέρνουν φτωχά στις εργασίες που βασίζονται σε τένσορες, γεγονός που τις καθιστά μη αποτελεσματικές για νευρωνικά δίκτυα και άλλες εξαιρετικά σύνθετες εφαρμογές. Εκεί είναι που η μέθοδος του Aalto προσφέρει ένα μεγάλο άλμα προς τα εμπρός, χρησιμοποιώντας πολλαπλά μήκη κύματος φωτός τα οποία μπορούν να διαχειριστούν ακόμη και εξαιρετικά απαιτητικές λειτουργίες τενσόρων.

Η νέα μέθοδος μπορεί να λειτουργήσει σε σχεδόν οποιαδήποτε οπτική πλατφόρμα, και η ομάδα του σχεδιάζει «να ενσωματώσει αυτό το υπολογιστικό πλαίσιο απευθείας σε φωτονικά τσιπ (photonic chips), επιτρέποντας στους επεξεργαστές που βασίζονται στο φως να εκτελούν σύνθετες εργασίες AI με εξαιρετικά χαμηλή κατανάλωση ενέργειας.
 Η ομάδα σχεδιάζει να ενσωματώσει αυτό το υπολογιστικό πλαίσιο απευθείας σε φωτονικά τσιπ (photonic chips) και αναμένει την ενοποίησή του με υπάρχουσες πλατφόρμες εντός πέντε ετών.
Πηγή: https://newatlas.com/computers/single-shot-tensor-optical-computing/