On-chip 1 TOPS Hyperdimensional Photonic Tensor Core using a WDM Silicon Photonic Coherent Crossbar
Dieser Beitrag stellt einen on-chip 0,96 TOPS hyperdimensionalen photonischen Tensor-Core vor, der ein zeit-räumlich-Wellenlängen-multiplexiertes siliziumphotonisches Kreuzgitter nutzt, um eine Hochgeschwindigkeits-Tensor-Vektor-Multiplikation mit geringem Fehler zu erreichen, eine effektive KI-Klassifikationsleistung demonstriert und einen skalierbaren Weg zu einer Rechenleistung auf POPS-Niveau bietet.
Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Stellen Sie sich vor, Sie versuchen, ein riesiges, komplexes mathematisches Puzzle zu lösen. In der Welt der künstlichen Intelligenz (KI) beinhalten diese Puzzles das Multiplizieren riesiger Zahlenraster (Matrizen) mit Zahlenlisten (Vektoren). Dies mit herkömmlichen elektronischen Computern zu erledigen, ist wie der Versuch, das gesamte Wasser eines Schwimmbads schrittweise mit einer Tasse zu transportieren: Es funktioniert, aber es ist langsam und verbraucht viel Energie.
Diese Arbeit stellt einen neuen, superschnellen „photoni schen" (lichtbasierten) Rechenmotor vor, der entwickelt wurde, um diese Puzzles sofort zu lösen. Hier ist eine einfache Erklärung, wie sie es geschafft haben:
Das Problem: Zu viele Daten, zu wenig Platz
Stellen Sie sich einen Standard-Chip wie eine kleine Küche vor. Wenn Sie versuchen, ein Festmahl für tausend Menschen (ein riesiges KI-Modell) in dieser kleinen Küche zu kochen, fehlt Ihnen die Arbeitsfläche und der Herd überhitzt. Die Forscher wollten eine „Küche" bauen, die enorme Datenmengen bewältigen kann, ohne an Platz oder Energie zu scheitern.
Die Lösung: Eine dreidimensionale Autobahn
Das Team baute eine spezielle „Crossbar" (ein Gitter aus Lichtwegen), die drei verschiedene Tricks nutzt, um Daten gleichzeitig zu bewegen. Sie nennen dies TSWDM (Time-Space-Wavelength Division Multiplexing – Zeit-Raum-Wellenlängen-Multiplexing).
- Raum (Die Fahrspuren): Stellen Sie sich eine Autobahn mit mehreren Spuren vor. Anstatt dass ein Auto (Daten) eine einzige Spur hinunterfährt, bauten sie ein Gitter mit vielen nebeneinanderliegenden Spuren. Dies ist der „Raum"-Teil.
- Zeit (Der Verkehrsfluss): Stellen Sie sich vor, diese Spuren sind so stark befahren, dass die Autos in einem kontinuierlichen Strom hintereinander fahren, wie auf einem Förderband. Sie organisieren die mathematischen Probleme so, dass sie in rasender Folge ablaufen. Dies ist der „Zeit"-Teil.
- Wellenlänge (Die Farbcodierung): Dies ist der cleverste Teil. Stellen Sie sich vor, anstatt nur weißes Licht zu verwenden, nutzen sie verschiedene Lichtfarben (wie Rot, Blau, Grün und Gelb), um verschiedene Datenströme gleichzeitig auf derselben „Straße" zu transportieren. Jede Farbe fungiert wie ein separater Kanal. Dies ist der „Wellenlänge"-Teil.
Durch die Kombination dieser drei Elemente schufen sie einen „hyperdimensionalen" Motor. Es ist wie eine Autobahn, auf der Autos in mehreren Spuren fahren, in einem kontinuierlichen Strom, wobei jede Spur eine andere Farbe hat und alle gleichzeitig verschiedene Teile des mathematischen Puzzles transportieren.
Das Experiment: Der „Iris"-Test
Um zu beweisen, dass dieser neue Motor funktioniert, bauten sie einen winzigen Siliziumchip (etwa nagelgroß, 2 Quadratzentimeter), der als 4-Spur-, 2-Eingangs-Version dieses Systems fungiert.
- Die Geschwindigkeit: Sie leiteten Daten mit unglaublich hohen Geschwindigkeiten durch (bis zu 60 Milliarden Symbole pro Sekunde).
- Der Mathe-Test: Sie forderten den Chip auf, „Tensor-Vektor-Multiplikationen" (eine komplexe Art von Mathematik) durchzuführen. Der Chip erhielt in 96 % der Fälle die richtige Antwort, mit einem durchschnittlichen Fehler von nur 3,9 %.
- Der Realwelt-Test: Sie nutzten den Chip, um Blumen zu klassifizieren (den berühmten „Iris-Datensatz"). Der Chip identifizierte die Blumensorte in 93,3 % der Fälle korrekt, als er mit moderaten Geschwindigkeiten lief, und erreichte sogar bei maximaler Geschwindigkeit noch eine Genauigkeit von 83,3 %.
Warum das wichtig ist (Das „Skalierbarkeits"-Geheimnis)
Die Arbeit argumentiert, dass dieser Trick der „Farbcodierung" (Wellenlänge) der Schlüssel zur Zukunft ist.
Stellen Sie sich vor, Sie möchten eine größere Version dieses Chips bauen, um noch größere KI-Modelle zu bewältigen.
- Der alte Weg (Nur Raum): Um mehr Leistung zu erhalten, müssten Sie den Chip physisch riesig machen und mehr Spuren hinzufügen. Doch je größer der Chip wird, desto schwächer wird das Licht und desto unübersichtlicher wird die Mathematik (mehr Fehler), was einen superleistungsstarken Laser erfordert, um das Licht hindurchzudrücken.
- Der neue Weg (Wellenlänge): Indem sie mehr Farben hinzufügen, anstatt den Chip nur physisch breiter zu machen, können sie die Leistung steigern, ohne einen massiven Laser zu benötigen. Es ist wie das Hinzufügen weiterer Radiosender auf demselben Frequenzband, anstatt einen neuen Turm zu bauen.
Das Fazit
Die Forscher demonstrierten einen funktionierenden Prototyp, der auf einem winzigen Chip 0,96 TOPS (Tera-Operationen pro Sekunde) Rechenleistung erbringen kann. Sie prognostizieren, dass sie, wenn sie dies mit ihrer „Farbcodierungs"-Methode skalieren, schließlich photonische Beschleuniger bauen könnten, die 491,5 TOPS erreichen (fast 500-mal schneller als ihr aktueller Prototyp) und dabei weniger Energie und Laserleistung verbrauchen als herkömmliche Methoden.
Kurz gesagt: Sie bauten einen mathematischen Motor mit Lichtgeschwindigkeit, der Raum, Zeit und Farbe nutzt, um KI-Probleme schneller und effizienter zu lösen als je zuvor, und bewiesen dies an einer realen Aufgabe zur Blumenklassifizierung.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.