一种使用光而不是电子的新型处理器的计算能力和效率比机器学习计算机系统中现有的处理器高出 100 倍。这是根据南加州大学和麻省理工学院在《自然光子学》杂志上发表的一项新研究得出的结论。
南加州大学维特比工程学院谢明明电气与计算机工程系研究助理教授 Zaijun Chen 表示：“除了大幅提高计算能力的可扩展性之外，光学人工智能处理器与现有技术相比还提高了能源效率。” 。“这可能是克服未来运行人工智能系统所需的计算架构的电子瓶颈的一个改变游戏规则的因素。”
陈是该论文的主要作者，他在麻省理工学院电子研究实验室 (RLE) 担任博士后期间完成了这项工作。
该研究探讨了为 ChatGPT 等人工智能生成创新提供动力的深度神经网络 (DNN)。但网络需要大量的能源和空间。训练 GPT-4（ChatGPT 背后的机器学习模型）需要 25,000 个图形处理单元 (GPU) 在 90 天内运行。Towards Data Science 网站估计培训成本约为 50 兆瓦时 (MWh) 电力，足以为约 2,000 个家庭供电。那一代人还排放了约12,000吨二氧化碳。
基于光运动的光学神经网络 (ONN) 的出现有助于信息在更小的空间内更快、更高效地移动。研究团队决定看看 ONN 是否是一个更好的工具，但他们认识到，“由于电光转换效率低、设备占用空间大和通道串扰导致计算密度低，以及延迟长，ONN 也需要高能耗”。由于缺乏内联非线性，”作者写道。
使用配备激光阵列的 ONN，科学家们能够克服这些挑战。演示中，1平方厘米的光子芯片上集成了400多个激光器。每个激光器的直径只有人类头发的十分之一，能够以 10 GHz 的时钟频率（神经网络语言中每秒 100 亿个神经激活）将数据从电子存储器转换到光场。令人惊讶的是，每次转换仅消耗几个阿托焦耳（1 阿托焦耳 = 10 -18 焦耳，大约相当于可见波长中 10 个单光子的能量）。这比最先进的光调制器低五到六个数量级。
研究作者对未来的改进抱有更大的希望：除了产量和能源效率实现 100 倍的飞跃之外，“近期的发展还可以将这些指标提高两个数量级，”他们写道。该论文指出，这项新技术“为大规模光电处理器开辟了一条途径，以加速从数据中心到手机等分散边缘设备的机器学习任务”。
关于这项研究
，南加州大学的 Zaijun Chen、NTT Research 的 Ryan Hamerly 和 Dirk Englund 是通讯作者。其他做出重大贡献的合著者包括 RLE 的 Alexander Sludds、Ronald Davis、Ian Christen、Liane Bernstein 和 Lamia Ateshian。该计算系统的关键组件 VCSEL 阵列由柏林工业大学的 Tobias Heuser、Niels Heermeier、James A. Lott 和 Stephan Reitzensstein 制造和提供。
该研究由美国陆军研究办公室、NTT Research、国防科学与工程研究生奖学金计划、国家科学基金会、加拿大自然科学与工程研究委员会和大众基金会资助。
