در مقیاس بندی هوش مصنوعی مشکل دارید؟ MIT یادگیری عمیق نوری زیر فوتون را در لبه پیشنهاد می کند
یک شبکه عصبی با ارسال برخی از داده های ورودی به پارامترها یا وزن های خود و ضرب ورودی در وزن، پیش بینی می کند. آن عملیات ریاضی، حاصل ضرب یک بردار ورودی و یک ماتریس پارامتر، ضرب-انباشته نامیده می شود، یا MAC، عملیات، و برنامه های شبکه عصبی هزاران تن از آنها را در هر ثانیه انجام می دهند، زیرا وزن های متعدد هر لایه شبکه به ورودی اعمال می شود. .
بازار به اصطلاح لبهای برای هوش مصنوعی اخیراً منطقهای بزرگ بوده است و استارتآپها دهها میلیون سرمایه خطرپذیر برای ارائه تراشهها و نرمافزار دریافت میکنند. این تلاشها منجر به ایجاد ابزارهای توسعه ویژه برای اشکال یادگیری ماشینی هوش مصنوعی، مانند ابتکار TinyML از Google شده است.
نویسندگان از این هم فراتر می روند. آنها با پیشبینی استقرار در ماهوارهها و دیگر مناطق عجیب و غریب، روی کشف آشکارسازهای نوری به نام گیرندههای یکپارچه کار کردند که میتوانند با تعداد بسیار کمی فوتون کار کنند.
آنها گزارش می دهند: “با استفاده از 1000 تصویر آزمایشی به صورت محلی، ما 98.7٪ محاسبات دقیق را نشان می دهیم، که با دقت پایه مدل 98.7٪ قابل مقایسه است.”
هر ردیف از یک ماتریس را می توان روی یک طول موج نور کدگذاری کرد و سپس به دستگاه مشتری “پخش” کرد، به طوری که یک سیگنال WDM چند طول موج می تواند یک ماتریس وزن کامل یا حتی ماتریس های متعدد را ارسال کند. در دستگاه مشتری، یک گیرنده نوری داده های کدگذاری شده در هر طول موج را بازیابی می کند و آن را با داده های ورودی ترکیب می کند تا ضرب ماتریس را در حوزه نوری به جای الکتریکی انجام دهد. پس از تبدیل شدن از سیگنال نوری، محصول را می توان به صورت الکتریکی روی RAM محلی ذخیره کرد.
رویکرد ممکن سومی نیز وجود دارد، و آن این است که سعی کنیم با دقت بیشتری توازن کنیم که چه کاری روی دستگاههای محدود و با چه ابزاری انجام میشود. این طرحی است که در اکتبر ارائه شد توسط محققان MIT در مجله علمی Science.
Sludds و تیم می نویسند که این منجر به ساده سازی چشمگیر اجزایی می شود که باید در یک دستگاه مشتری در لبه قرار گیرند.
از این رو، کلید Netcast نحوه به حداقل رساندن دسترسی به حافظه و ترافیک شبکه برای دستگاه مشتری بود.
تیرنان ری/ZDNET
همچنین:هدف واقعی هوش مصنوعی ممکن است دیگر هوش نباشد
پیامدهای محاسباتی می تواند عمیق باشد.
راه حل یک فناوری فوتونیکی موجود به نام مالتی پلکسی تقسیم طول موج است. با استفاده از WDM، همانطور که معمولاً به آن اشاره میشود، میتوان چندین قطعه داده را به طور همزمان در یک خط فیبر نوری با اختصاص طول موج نور خاص خود به هر قطعه داده ارسال کرد تا دادههای چندگانه کل طیف موجود تابش در فیبر را به اشتراک بگذارند. WDM یک فناوری بسیار بالغ و جامد است که در تمام شبکه های مخابراتی مدرن برای افزایش ظرفیت انتقال داده فیبر نوری استفاده می شود. ستون فقرات اینترنت را تشکیل می دهد.
نویسندگان یک نسخه واقعی از Netcast ساختند که بیش از 84 کیلومتر از فیبر را با استفاده از WDM با ظرفیت 2.4 ترابیت در ثانیه اجرا می کند، از پردیس اصلی MIT تا آزمایشگاه لینکلن و برعکس. آزمایش آنها از این سیستم، انجام پیشبینیها در یک کار کلاسیک یادگیری ماشین، MNIST است پایگاه داده شخصیت های دست نویس. تصاویر نویسههای دستنویس به شبکه عصبی وارد میشوند و شبکه باید یک کار تشخیص تصویر را انجام دهد و مشخص کند که هر تصویر کدام شخصیت را نشان میدهد.
Sludds و تیم خاطرنشان کردند که تمام قطعات Netcast را می توان امروز در هر کارخانه استاندارد تراشه های نیمه هادی ساخت.