当光遇上深度学习计算速度足以满足下一代AI的需求
人工智能(AI) 模型对于复杂的图像分类至关重要，这是数字分析中最重要的部分。最近发表了“重新审视通用线性光学：使用硅光子学进行神经形态计算的新视角”的研究人员已经推动了图像分类。他们使用神经网络的计算能力在新芯片平台(硅光子学)上实现的速度令人印象深刻。
尽管如此，请注意情态助动词“can”。只是因为可以做一些事情，所以问题仍然存在。它会足够快吗?它有足够的准确性吗?它的能源效率如何?芯片大而笨重吗?这项研究解决了所有这些问题。
人工智能的一个属性是你可以在物理网络的边缘使用它;例如在相机中。无人机上的摄像头就是一个更好的例子。要让无人机具备人工智能功能，您需要机载人工智能芯片功能强大、节能、小巧轻便，并且能够以闪电般的速度执行大量复杂的数学运算。这样，无人机可以在检测到异常情况(癌症、破坏者、火车轨道损坏)时提醒人类。
与此同时，在希腊，研究人员构建了一个速度为 50 GHz 的神经形态光子处理器，能够以约 95% 的准确度对图像进行分类。让我们分解一下，从光子部分开始。
在硅电子之后?硅光子学。
AI 处理器芯片最初通常作为高端视频游戏的图形处理单元 (GPU) 或专为神经网络设计的张量处理单元 (TPU)，这意味着模拟人脑的计算。(除了他们喜欢线性代数!)然而，传统处理器使用硅电子作为物理平台，这已经达到了量子极限。
从电子切换到光子提高了计算能力，因为光速比电子快得多。它也更节能。“电线”不会发热。光的物理学可用于矩阵向量乘法运算，这是神经网络的计算支柱。
在传统数学之后?每秒万亿次运算的神经形态计算
现在是神经形态部分。希腊研究团队与 Celestial AI 一起，使用交叉布局为芯片开发了一种新颖的设计。该布局在可扩展性、技术通用性、易于编程和容错方面优于最先进的光子布局。换句话说，通过将交叉开关布局的架构优势与他们的第一个原型中使用的 SiGe 电吸收调制器相结合，研究人员预计纯光学实现每秒可以执行数万亿次矩阵向量乘法，而不会牺牲处理精度，同时消耗非常多低电量。
与六年前相比，硅光子学处于更好的位置，可以将神经形态处理器从目前较低的计算和物理尺寸(占地面积)效率降低到不那么笨重。注意图1中IBM的TrueNorth芯片、英特尔的Loihi芯片、德国海德堡大学的HICANN(高输入计数模拟神经网络)芯片和斯坦福大学的neurogrid设备的位置。将其与此处讨论的交叉布局芯片进行比较，后者在计算和尺寸效率方面正沿着硅光子学路线图发展。强大的光子学与新颖的交叉结构的协同作用可以实现下一代神经形态计算引擎。让我们把那个情态助动词改成“will”。
版权声明：本文由用户上传，如有侵权请联系删除！