Tecnologia Científica

Os chips leves avana§am o aprendizado de ma¡quina
A descoberta colaborativa, por pesquisadores das Universidades de Oxford, Ma¼nster, Exeter, Pittsburgh, a‰cole Polytechnique Fanãdanãrale (EPFL) e IBM Research Europe, foi publicada na Nature .
Por Oxford - 12/01/2021


Doma­nio paºblico

Uma equipe de cientistas internacionais demonstrou um prota³tipo inicial de um processador fota´nico usando minaºsculos raios de luz confinados em chips de sila­cio que podem processar informações muito mais rapidamente do que os chips eletra´nicos e também em paralelo - algo que os chips tradicionais são incapazes de fazer.

A descoberta colaborativa, por pesquisadores das Universidades de Oxford, Ma¼nster, Exeter, Pittsburgh, a‰cole Polytechnique Fanãdanãrale (EPFL) e IBM Research Europe, foi  publicada  na Nature .

Os aplicativos de aprendizado de ma¡quina e inteligaªncia artificial usam uma grande quantidade de dados. Nossos dados estãoaumentando exponencialmente e usar esses dados para criar informações requer processamento por computador. Os recursos dos processadores convencionais de computador não são suficientes para atender a essa demanda. Esta equipe de pesquisa internacional desenvolveu uma nova abordagem e arquitetura de processador que fornece uma avenida potencial para executar essas tarefas em alto rendimento - essencialmente combinando as funcionalidades de processamento e armazenamento de dados em um aºnico chip - chamados de processadores in-memory, mas usando luz.

O coautor saªnior Wolfram Pernice da Ma¼nster University, um dos professores que liderou esta pesquisa, disse: 'Processadores baseados em luz para acelerar tarefas no campo de aprendizado de ma¡quina permitem que tarefas matemáticas complexas sejam processadas em altas velocidades e taxas de transferaªncia. Isso émuito mais rápido do que os chips convencionais que dependem de transferaªncia eletra´nica de dados, como placas gra¡ficas ou hardware especializado como TPU (Unidade de Processamento Tensor). '

O uso de luz permitiu a  equipe usar vários comprimentos de onda de luz para fazer ca¡lculos paralelos, uma vez que a luz tem a incra­vel propriedade de ter cores diferentes que não interferem


A equipe implementou um acelerador de hardware para as chamadas multiplicações vetoriais de matriz. Essas operações formam a espinha dorsal das redes neurais (uma sanãrie de algoritmos que simulam o cérebro humano) que são usadas para calcular algoritmos de aprendizado de ma¡quina. O uso de luz permitiu a  equipe usar vários comprimentos de onda de luz para fazer ca¡lculos paralelos, uma vez que a luz tem a incra­vel propriedade de ter cores diferentes que não interferem. No entanto, para fazer isso, eles usaram outra invenção recente, um pente de frequência baseado em chip, como fonte de luz.

Tobias Kippenberg, professor da EPFL, disse: 'Nosso estudo éo primeiro a aplicar pentes de frequência no campo das redes neurais artificiais. O pente de frequência fornece uma variedade de comprimentos de onda a³ticos que são processados ​​independentemente uns dos outros no mesmo chip fota´nico. '

Depois que os chips foram projetados e fabricados, os pesquisadores usaram uma rede neural de convolução para o reconhecimento de números escritos a  ma£o. Essas redes são um conceito na área de aprendizado de ma¡quina inspirado em processos biola³gicos. Usados ​​principalmente no processamento de dados de imagem ou a¡udio, eles atualmente alcana§am as mais altas precisaµes de classificação.

Johannes Feldmann , agora baseado no Departamento de Materiais da Universidade de Oxford , disse: 'A operação de convolução entre os dados de entrada e um ou mais filtros - que podem identificar bordas em uma imagem, por exemplo, são adequados para nossa arquitetura de matriz.'

Nathan Youngblood acrescentou, 'Explorar a multiplexação de comprimento de onda permite maiores taxas de dados e densidades de computação, ou seja, operações por área do processador, não obtidas anteriormente.'

O Professor C. David Wright da Universidade de Exeter, que lidera o projeto da UE Fun-COMP, que financiou este trabalho, disse: 'Este trabalho éuma verdadeira vitrine da pesquisa colaborativa europeia. Embora cada grupo de pesquisa envolvido seja lider mundial a  sua maneira, foi a unia£o de todas essas partes que tornou este trabalho realmente possí­vel. '

Os resultados , publicados na Nature hoje, tem uma ampla gama de aplicações potenciais:

No campo da inteligaªncia artificial, mais dados podem ser processados ​​simultaneamente, economizando energia.
O uso de redes neurais maiores permite previsaµes mais precisas, e atéentão inatinga­veis, e análises de dados mais precisas.
Em configurações cla­nicas, os processadores fota´nicos podem apoiar a avaliação de grandes quantidades de dados para diagnósticos, por exemplo, dados 3D de alta resolução produzidos em manãtodos de imagem especiais.
Nos campos de vea­culos auta´nomos, a avaliação rápida dos dados do sensor pode ser aprimorada
As infraestruturas de TI, como a computação em nuvem, podem ser expandidas, fornecendo mais espaço de armazenamento, poder de computação e software de aplicativos.  

Embora o trabalho atual fornea§a um caminho para a implementação de tais processadores no doma­nio fota´nico, muitos desafios cienta­ficos e tecnola³gicos assustadores permanecem. Isso éo que torna este campo uma área de pesquisa empolgante e de rápido movimento

Professor Harish Bhaskaran

Abu Sebastian, co-autor saªnior que supervisiona os esforços em paradigmas de computação emergentes na IBM Research Zurich, disse: 'Um dos principais diferenciais de um processador fota´nico em memória em comparação com sua contraparte eletra´nica éa capacidade de paralelizar na criação de doma­nio de frequência éparticularmente adequado para primitivas computacionais, como convoluções. '

O professor Harish Bhaskaran , co-autor saªnior do Departamento de Materiais da Universidade de Oxford, disse: 'Embora o trabalho atual fornea§a um caminho para a implementação de tais processadores no doma­nio fota´nico, permanecem muitos desafios cienta­ficos e tecnola³gicos assustadores. Isso éo que torna este campo uma área de pesquisa empolgante e em rápida evolução. '

O trabalho foi realizado como parte do projeto H2020 Fun-COMP (# 780848), consulte www.fun-comp.org para mais detalhes e com o apoio financeiro adicional do European Research Council (ERC) Grants “PINQS” e “PROJESTOR ”.

Os autores de Oxford incluem Johannes Feldmann, Nathan Youngblood, Xuan Li e Harish Bhaskaran.

 

.
.

Leia mais a seguir