ساخت اولین سامانه آموزش هوش مصنوعی تماما نوری جهان در چین

به گزارش ساوت چاینا مورنینگ پست، گروهی از پژوهشگران دانشگاه شینهوا در پکن اولین تراشه هوش مصنوعی تماما نوری جهان را ساخته‌اند که به گفته آنها بهره‌وری و عملکرد را به میزان چشمگیری بهبود می‌دهد.

این تراشه که تای‌چی ۲ نام گرفته، نسخه پیشرفته‌تر تراشه قبلی همین گروه یعنی تای‌چی است که به گفته خودشان از نظر بهره‌وری انرژی بیش از هزار برابر بهتر از واحد پردازش گرافیکی H100 انویدیا بود.

آموزش مدل‌های هوش مصنوعی با تراشه تای‌چی مستلزم استفاده از رایانه‌های الکترونیکی بود؛ اما تای‌چی ۲ برای مدل‌سازی و آموزش مدل‌ها تنها به نور احتیاج دارد و این مساله بهره‌وری و عملکرد آن را بهبود می‌بخشد.

به گفته گروه سازنده، این تراشه گامی کلیدی به سوی رایانش نوری یا فوتونیک است که می‌تواند به حل مشکل مصرف فزاینده انرژی در بخش رایانش هم کمک کند و همچنین جایگزینی برای تراشه‌های پیشرفته آمریکایی باشد که واشنگتن صادراتشان را به چین محدود کرده است.

تای‌چی ۲ در سناریوهای مختلف عملکرد بهتری نسبت به نسخه قبلی خود یعنی تای‌چی نشان داده: افزایش سرعت آموزش شبکه‌های نوری با میلیون‌ها پارامتر به میزان مرتبه بزرگی یک، بهبود ۴۰ درصدی دقت طبقه‌بندی‌ها، و ارتقای بهره‌وری انرژی در محیط‌های کم‌نور تا مرتبه بزرگی شش.

روش‌های مرسوم هوش مصنوعی فوتونیک عموما شامل شبیه‌سازی شبکه‌های عصبی مصنوعی الکترونیکی بر روی معماری فوتونیکی (یعنی مبتنی بر نور) طراحی شده در رایانه‌های الکترونیکی است.

ولی به دلیل بی‌عیب و نقص نبودن سامانه‌ها و پیچیدگی انتشار موج نور، مدل‌سازی کاملا دقیق سامانه‌های نوری امکان‌پذیر نیست و همیشه بین مدل آفلاین و سامانه واقعی عدم تطابق رخ می‌دهد.

محققان دانشگاه شینهوا برای غلبه بر این چالش‌ها، روشی را ابداع کردند که در آن فرایند آموزش مستقیما روی تراشه نوری انجام می‌شود و در نتیجه بخش اعظم یادگیری ماشین را می‌توان به شکل موازی انجام داد. آنها روش جدید را یادگیری در حالت کاملا رو به جلو (fully forward mode learning) یا FFM نامیده‌اند.

این معماری آموزش با دقت بالا را امکان‌پذیر نموده و از آموزش شبکه عصبی در مقیاس بزرگ پشتیبانی می‌کند.

یادگیری FFM با مدولاتورها و آشکارسازهای نوری پرسرعت موجود در بازار انجام می‌شود، و در مورد یادگیری تسریع شده (accelerated learning) می‌تواند عملکردی بهتر از واحدهای پردازش گرافیکی داشته باشد.

ممکن است در آینده چنین تراشه‌هایی پایه و اساس رایانش نوری برای ساخت مدل‌های هوش مصنوعی را تشکیل دهند.

منبع: scmp