基于光子的處理單元可實現更復雜的機器學習

由神經網絡執行的機器學習是開發人工智能的一種流行方法，因為研究人員旨在為各種應用復制大腦功能。AIP出版的《應用物理評論》(Applied Physics Reviews)雜志上的一篇論文提出了一種新的方法，該方法使用光代替電來執行神經網絡所需的計算。在這種方法中，光子張量核并行執行矩陣乘法，從而提高了當前深度學習范例的速度和效率。

在機器學習中，訓練了神經網絡以學習對看不見的數據執行無監督的決策和分類。一旦對數據進行了神經網絡訓練，它就可以產生一個推斷，以識別和分類對象和模式并在數據中找到簽名。

光子TPU并行存儲和處理數據，其特征是具有電光互連功能，從而可以有效地讀寫光學存儲器，并使光子TPU與其他體系結構接口。

“我們發現，集成了高效光學存儲器的集成光子平臺可以獲得與張量處理單元相同的操作，但是它們消耗的功率只有一小部分，并且具有更高的吞吐量，并且如果經過適當的訓練，可以用于以速度進行推理。作者之一馬里奧·米斯庫里奧(Mario Miscuglio)說。

大多數神經網絡都展開多層相互連接的神經元，以模仿人類的大腦。表示這些網絡的有效方法是將矩陣和向量相乘的復合函數。這種表示允許通過專門用于向量化運算(例如矩陣乘法)的體系結構來執行并行運算。

但是，任務越智能，期望的預測精度越高，網絡就越復雜。這樣的網絡需要大量的數據進行計算，并需要更多的功能來處理該數據。

當前適合于深度學習的數字處理器，例如圖形處理單元或張量處理單元，由于這樣做所需的功率以及處理器與存儲器之間電子數據的緩慢傳輸而受到限制，無法以更高的精度執行更復雜的操作。

研究人員表明，其TPU的性能可能比電TPU的性能高出2-3個數量級。光子也可能是計算節點分布式網絡和在5G等網絡邊緣以高吞吐量執行智能任務的引擎的理想選擇。在網絡邊緣，來自監視攝像機，光學傳感器和其他來源的數據信號可能已經以光子的形式存在。

Miscuglio說：“光子專用處理器可以節省大量能源，縮短響應時間并減少數據中心流量。”

對于最終用戶，這意味著數據的處理速度要快得多，因為其中很大一部分數據已經過預處理，這意味著僅一部分數據需要發送到云或數據中心。