نوآوری در مدیریت برای توسعه پایدار

Kolnegar Private Media (Management Innovation for Sustainable Development)

5 اردیبهشت 1403 9:55 ق.ظ

یادگیری ماشینی با سرعت نور

Machine learning at the speed of light: New paper demonstrates use of photonic structures for AI

6 ژانویه 2021توسط مگی پاولیک ، دانشگاه پیتسبورگ

همانطور که وارد فصل بعدی عصر دیجیتال می شویم ، ترافیک داده ها به رشد تصاعدی خود ادامه می دهند. برای ارتقا بیشتر هوش مصنوعی و یادگیری ماشینی ، رایانه ها به توانایی پردازش مقادیر زیادی از داده ها با سریعترین و کارآمدترین حالت ممکن نیاز دارند.

روشهای رایج محاسبات در حد مناسب نیستند ، اما محققان در جستجوی راه حل ، نور را به معنای واقعی کلمه در این زمینه مناسب دیده اند.

پردازنده های مبتنی بر نور که پردازنده های فوتونیک نامیده می شوند ، رایانه ها را قادر می سازند تا با سرعتی باورنکردنی محاسبات پیچیده را انجام دهند. تحقیقات جدید منتشر شده در این هفته در مجله Nature پتانسیل پردازنده های فوتونیک را برای کاربردهای هوش مصنوعی بررسی می کند. نتایج برای اولین بار نشان می دهد که این دستگاه ها می توانند به سرعت و به طور موازی اطلاعات را پردازش کنند ، کاری که تراشه های الکترونیکی امروز نمی توانند انجام دهند.

ناتان یانگ بلود ، استادیار مهندسی برق و کامپیوتر در دانشکده مهندسی دانشگاه پیتسبورگ سوانسون و نویسنده اصلی ، توضیح داد: “شبکه های عصبی با گرفتن مجموعه عظیمی از داده ها و شناخت الگوها از طریق یک سری الگوریتم ها” یاد می گیرند. “این پردازنده جدید به شما این امکان را می دهد تا همزمان چندین محاسبه را با استفاده از طول موج های نوری مختلف برای هر محاسبه انجام دهد. چالشی که ما می خواستیم رفع کنیم ادغام است: چگونه می توانیم محاسبات را با استفاده از نور به گونه ای توسعه دهیم که مقیاس پذیر و کارآمد باشد؟”

پردازش سریع و کارآمد که محققان به دنبال آن بودند برای برنامه هایی مانند وسایل نقلیه خودران ، که نیاز به پردازش داده هایی دارند که از ورودی های مختلف در اسرع وقت انجام می شوند ، ایده آل است. پردازنده های فوتونیک همچنین می توانند از برنامه های رایانش ابری ، تصویربرداری پزشکی و موارد دیگر پشتیبانی کنند.

Light-based processors boost machine-learning processing

در این مقاله ، محققان از این فناوری برای ایجاد یک شبکه عصبی کانولوشن استفاده کردند که اعداد دست نویس را تشخیص دهد. آنها دریافتند که این روش نرخ داده و تراکم محاسباتی را که قبلاً دیده نشده است ، ارایه می کند.

یوهانس فلدمن ، دانشجوی تحصیلات تکمیلی دانشگاه مونستر ، گفت: “عملیات کانولوشن بین داده های ورودی و یک یا چند فیلتر – که می تواند برجسته سازی لبه های عکس باشد – به خوبی می تواند به معماری ماتریس ما منتقل شود.”. “بهره برداری از نور برای انتقال سیگنال ، پردازنده را قادر می سازد پردازش داده های موازی را از طریق مالتی پلکسینگ طول موج انجام دهد ، که منجر به تراکم محاسباتی بالاتر و ضربات ماتریس زیادی در یک مرحله می شود. بر خلاف الکترونیک سنتی ، که معمولاً درحوزه گیگاهرتز پایین کار می کنند محدوده ، سرعت مدولاسیون نوری را می توان با سرعت تا محدوده 50 تا 100 گیگاهرتز بدست آورد. “

https://techxplore.com

آیا این نوشته برایتان مفید بود؟

مطالب مرتبط

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *