یادگیری عمیق با نور
اگر از یه دستگاه هوشمند خانه برای پیشبینی آب و هوا سوالی بپرسید، چند ثانیه طول میکشد که دستگاه پاسخ دهد. یک دلیل برای این تاخیر آن است که این دستگاهها حافظه و توانایی کافی برای ذخیره و اجرای مدلهای بزرگ یادگیری عمیق را ندارند که بتوانند بفهمند که کاربر چه درخواستی دارد.
مدل یادگیری عمیق ممکن است در یک مرکز داده که کیلومترها دور است ذخیره شده باشد و جواب در آنجا محاسبه و برای دستگاه هوشمند ارسال میشود. پژوهشگران دانشگاه MIT برای اجرای محاسبات مستقیما بر روی دستگاهها راهی یافتند که به طور چشمگیری میتواند این تاخیر را کاهش دهد. روش آنها از روش کنونی اجرای مدلهای یادگیری عمیق که بسیار حافظهگیر است به روشی تبدیل میشود که یک سرور مرکزی اجزای مدل را به موجهای نوری کدگذاری میکند.
تبدیل وزنهای مدل یادگیری عمیق به نور
در سرور مرکزی، سخت افزاری به نام Smart Transceiver وجود دارد که وزنهای یک مدل یادگیری عمیق را به عنوان سیگنالهای الکتریکی دریافت میکند و آنها را به امواج نوری تبدیل میکند. از آنجایی که داده وزنها به شکل ۰ و ۱ کدگذاری شده اند، این سخت افزار با سوئیچ کردن لیزرها آنها را تبدیل به نور میکند به این شکل که برای عدد یک لیزر روشن و برای عدد صفر لیزر خاموش میشود و سپس این امواج نوری ترکیب میشوند و به شکل تناوبی با استفاده از یک شبکه فیبر نوری انتقال داده میشوند و به این شکل دستگاه گیرنده نیازی به ارسال پرسجویی برای گرفتن این دیتاها نداشته باشد. نور به دلیل آنکه راههای بسیاری برای انتقال داده با آن وجود دارد عالی است. برای مثال میشود دیتا را با رنگهای مختلفی از نور انتقال داد و این اجازه انتقال داده بسیار بالاتری با پهنای بیشتر را میدهد.
وزنهای مدل یادگیری عمیق که در سرور به نور تبدیل شده، توسط فیبرهای نوری به دستگاه گیرنده انتقال داده میشوند که اجازه میدهد داده بسیار زیادی را با سرعت نور در شبکه ارسال شود. دستگاه گیرنده (ماشینهای خودران، دستگاههای هوشمند خانگی و…) آنگاه از یک دستگاه ساده نوری برای انجام سریع محاسبات با استفاده از اجزای مورد نیاز مدل که توسط آن موجهای نوری انتقال داده شده است انجام میشود. این تکنیک منجر به بیش از صد برابر بهبود در بهرهوری انرژی در مقایسه با روشهای دیگر میشود. همچنین این تکنیک امنیت را افزایش میدهد چرا که دیگر داده کاربر به یک مرکز داده انتقال داده نمیشود.
این تکنیک جدید به ماشینهای خودران این قابلیت را میدهد که بتوانند به شکل بلادرنگ و با مقدار کمی انرژی تصمیمگیری کنند. همچنین به کاربران این اجازه را میدهد که گفتگویی بدون تاخیر با سیستمهای هوشمند خود داشته باشند و یا اینکه یک فضاپیما که میلیونها کیلومتر از زمین دور است بتواند طبقهبندی عکس انجام دهد. این معماری شبکه عصبی که توسط پژوهشگران دانشگاه MIT توسعه یافته است، Netcast نام دارد که وزنهای یک مدل را با استفاده از سختافزاری به نام smart transceiver به نور تبدیل میکند. اندازه این سخت افزار کوچک به اندازه انگشت شصت است و از تکنولوژی به نام silicon photonics برای استخراج میلیونها وزن در هر ثانیه از حافظه استفاده میکند.
سختافزار smart transceiver که وزنهای مدل یادگیری عمیق را به نور تبدیل میکند
تریلیونها ضرب بر ثانیه
لحظه ای که نور به دستگاه گیرنده مانند ماشینهای خودران میرسد یک جز ساده نوری به نام ماژولاتور Mach-Zehnder وجود دارد که از آن برای انجام محاسبات آنالوگ بسیار سریع استفاده میشود. پژوهشگران راهی برای استفاده از این ماژول برای انجام تریلیونها ضرب در یک ثانیه را پیدا کردند که به شکل بسیار زیادی سرعت محاسبه بر روی دستگاه را افزایش میدهد. برای انجام تریلیونها ضرب فقط به حدود ۱ میلیوات انرژی نیاز است و اگر دقت شود بهرهوری این روش از نظر سرعت و انرژی در حد بسیار بزرگی است که کمک شایانی به جامعه هوش مصنوعی است.
دیدگاهتان را بنویسید