Η τεχνητή νοημοσύνη βρίσκεται πλέον στην καρδιά σχεδόν κάθε τεχνολογίας, από τα συστήματα αναγνώρισης προσώπου μέχρι τις μεταφράσεις κειμένου και τις αυτόνομες εφαρμογές. Ωστόσο, η εντυπωσιακή ανάπτυξη της συνοδεύεται από ένα σοβαρό μειονέκτημα: την τεράστια κατανάλωση ηλεκτρικής ενέργειας. Καθώς τα μοντέλα γίνονται πιο πολύπλοκα, η ανάγκη για αποδοτικότερες λύσεις είναι μεγαλύτερη από ποτέ.
Σε αυτό ακριβώς το πρόβλημα έρχεται να δώσει απάντηση μια ερευνητική ομάδα του University of Florida, παρουσιάζοντας ένα νέο chip που χρησιμοποιεί το φως αντί για ρεύμα σε βασικές λειτουργίες της AI, μειώνοντας θεαματικά την απαιτούμενη ενέργεια και αυξάνοντας την ταχύτητα επεξεργασίας.
Η καινοτομία βασίζεται στη χρήση ενός φωτοτονικού chip πυριτίου, το οποίο μπορεί να εκτελεί τις λεγόμενες λειτουργίες συνέλιξης, από τις πιο ενεργοβόρες διεργασίες στη μηχανική μάθηση. Οι συγκεκριμένες πράξεις είναι αυτές που επιτρέπουν στα συστήματα τεχνητής νοημοσύνης να αναγνωρίζουν μοτίβα σε εικόνες, βίντεο και κείμενο, κάτι που μέχρι σήμερα απαιτούσε υψηλή κατανάλωση ενέργειας και ισχυρά υπολογιστικά συστήματα.
Οι ερευνητές χάραξαν μικροσκοπικούς φακούς απευθείας πάνω στο πυρίτιο του chip. Χάρη σε αυτούς τους φακούς, το laser φως μπορεί να αναλάβει τους υπολογισμούς, μειώνοντας δραστικά την κατανάλωση και ταυτόχρονα επιταχύνοντας τη διαδικασία. Το αποτέλεσμα; Ένα chip που φέρνει την τεχνητή νοημοσύνη ένα βήμα πιο κοντά στη βιωσιμότητα.
Σε δοκιμές, το chip κατάφερε να ταξινομήσει χειρόγραφους αριθμούς με ακρίβεια περίπου 98%, επίδοση σχεδόν ταυτόσημη με εκείνη των συμβατικών ηλεκτρονικών επεξεργαστών. Η επιτυχία αυτή αποδεικνύει ότι το νέο σύστημα δεν θυσιάζει την αξιοπιστία στο βωμό της εξοικονόμησης ενέργειας.
Η τεχνολογία βασίζεται σε δύο σετ μικροσκοπικών φακών Fresnel, εξαιρετικά λεπτών εκδόσεων των φακών που συναντάμε σε φάρους. Οι φακοί αυτοί, λεπτότεροι κι από μια ανθρώπινη τρίχα, κατασκευάστηκαν με τις ίδιες μεθόδους που χρησιμοποιούνται στη βιομηχανία ημιαγωγών, καθιστώντας τη λύση συμβατή με τις υπάρχουσες διαδικασίες παραγωγής.
Για να πραγματοποιηθεί η συνέλιξη, τα δεδομένα της μηχανικής μάθησης μετατρέπονται πρώτα σε laser φως μέσα στο chip. Το φως στη συνέχεια περνά μέσα από τους φακούς Fresnel, οι οποίοι εκτελούν τη μαθηματική μεταμόρφωση. Τέλος, το αποτέλεσμα μετατρέπεται ξανά σε ψηφιακό σήμα για να ολοκληρωθεί το έργο της AI.
«Για πρώτη φορά, τέτοιου είδους οπτικός υπολογισμός υλοποιείται απευθείας σε chip και εφαρμόζεται σε νευρωνικά δίκτυα AI», εξηγεί ο Hangbo Yang, αναπληρωτής καθηγητής στο University of Florida και συν-συγγραφέας της μελέτης.
Ένα από τα πιο σημαντικά στοιχεία της έρευνας είναι ότι το chip μπορεί να διαχειρίζεται ταυτόχρονα πολλαπλές ροές δεδομένων, χρησιμοποιώντας διαφορετικά χρώματα laser. Η τεχνική αυτή, γνωστή ως wavelength multiplexing, επιτρέπει σε πολλά μήκη κύματος φωτός να περνούν ταυτόχρονα από τον φακό, αυξάνοντας δραστικά τη χωρητικότητα και την ταχύτητα επεξεργασίας.
Η μελέτη διεξήχθη σε συνεργασία με το Florida Semiconductor Institute, το UCLA και το George Washington University. Ο επικεφαλής Volker J. Sorger, καθηγητής στη φωτοτονική ημιαγωγών, τόνισε πως η επίτευξη σχεδόν μηδενικής κατανάλωσης σε μια βασική λειτουργία της μηχανικής μάθησης αποτελεί τεράστιο άλμα για το μέλλον της AI.
Σύμφωνα με τον Sorger, εταιρείες όπως η NVIDIA χρησιμοποιούν ήδη οπτικά στοιχεία σε τμήματα των συστημάτων AI τους, κάτι που μπορεί να διευκολύνει την ενσωμάτωση της νέας τεχνολογίας σε εμπορικά προϊόντα.
Στο άμεσο μέλλον, τα chip με ενσωματωμένη οπτική θα αποτελούν αναπόσπαστο κομμάτι κάθε AI επεξεργαστή που χρησιμοποιούμε καθημερινά. Και το επόμενο βήμα είναι η πλήρης οπτική υπολογιστική στην AI.
Η σημασία της εξέλιξης είναι διπλή. Από τη μία, απαντά στην πρόκληση της εκθετικά αυξανόμενης ενεργειακής κατανάλωσης των συστημάτων AI, τα οποία απειλούν να γίνουν ενεργοβόρα σε επίπεδα μη βιώσιμα. Από την άλλη, ανοίγει τον δρόμο για την περαιτέρω κλιμάκωση των δυνατοτήτων τους, χωρίς οι περιβαλλοντικές επιπτώσεις να αποτελούν τροχοπέδη.
Η χρήση του φωτός αντί του ηλεκτρισμού για κρίσιμες πράξεις μπορεί να αλλάξει ριζικά τον τρόπο με τον οποίο σχεδιάζονται οι μελλοντικοί επεξεργαστές.
[via]
