Tecnologia Científica

Os chips leves avançam o aprendizado de máquina
A descoberta colaborativa, por pesquisadores das Universidades de Oxford, Münster, Exeter, Pittsburgh, École Polytechnique Fédérale (EPFL) e IBM Research Europe, foi publicada na Nature .
Por Oxford - 12/01/2021


Domínio público

Uma equipe de cientistas internacionais demonstrou um protótipo inicial de um processador fotônico usando minúsculos raios de luz confinados em chips de silício que podem processar informações muito mais rapidamente do que os chips eletrônicos e também em paralelo - algo que os chips tradicionais são incapazes de fazer.

A descoberta colaborativa, por pesquisadores das Universidades de Oxford, Münster, Exeter, Pittsburgh, École Polytechnique Fédérale (EPFL) e IBM Research Europe, foi  publicada  na Nature .

Os aplicativos de aprendizado de máquina e inteligência artificial usam uma grande quantidade de dados. Nossos dados estão aumentando 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 único chip - chamados de processadores in-memory, mas usando luz.

O coautor sênior Wolfram Pernice da Münster University, um dos professores que liderou esta pesquisa, disse: 'Processadores baseados em luz para acelerar tarefas no campo de aprendizado de máquina permitem que tarefas matemáticas complexas sejam processadas em altas velocidades e taxas de transferência. Isso é muito mais rápido do que os chips convencionais que dependem de transferência eletrônica de dados, como placas gráficas ou hardware especializado como TPU (Unidade de Processamento Tensor). '

O uso de luz permitiu à equipe usar vários comprimentos de onda de luz para fazer cálculos paralelos, uma vez que a luz tem a incrível 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 série de algoritmos que simulam o cérebro humano) que são usadas para calcular algoritmos de aprendizado de máquina. O uso de luz permitiu à equipe usar vários comprimentos de onda de luz para fazer cálculos paralelos, uma vez que a luz tem a incrível 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 é o primeiro a aplicar pentes de frequência no campo das redes neurais artificiais. O pente de frequência fornece uma variedade de comprimentos de onda óticos que são processados ​​independentemente uns dos outros no mesmo chip fotônico. '

Depois que os chips foram projetados e fabricados, os pesquisadores usaram uma rede neural de convolução para o reconhecimento de números escritos à mão. Essas redes são um conceito na área de aprendizado de máquina inspirado em processos biológicos. Usados ​​principalmente no processamento de dados de imagem ou áudio, eles atualmente alcançam as mais altas precisões 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 é uma verdadeira vitrine da pesquisa colaborativa europeia. Embora cada grupo de pesquisa envolvido seja líder mundial à sua maneira, foi a união de todas essas partes que tornou este trabalho realmente possível. '

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

No campo da inteligência artificial, mais dados podem ser processados ​​simultaneamente, economizando energia.
O uso de redes neurais maiores permite previsões mais precisas, e até então inatingíveis, e análises de dados mais precisas.
Em configurações clínicas, os processadores fotônicos podem apoiar a avaliação de grandes quantidades de dados para diagnósticos, por exemplo, dados 3D de alta resolução produzidos em métodos de imagem especiais.
Nos campos de veículos autônomos, 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 forneça um caminho para a implementação de tais processadores no domínio fotônico, muitos desafios científicos e tecnológicos assustadores permanecem. Isso é o que torna este campo uma área de pesquisa empolgante e de rápido movimento

Professor Harish Bhaskaran

Abu Sebastian, co-autor sênior que supervisiona os esforços em paradigmas de computação emergentes na IBM Research Zurich, disse: 'Um dos principais diferenciais de um processador fotônico em memória em comparação com sua contraparte eletrônica é a capacidade de paralelizar na criação de domínio de frequência é particularmente adequado para primitivas computacionais, como convoluções. '

O professor Harish Bhaskaran , co-autor sênior do Departamento de Materiais da Universidade de Oxford, disse: 'Embora o trabalho atual forneça um caminho para a implementação de tais processadores no domínio fotônico, permanecem muitos desafios científicos e tecnológicos assustadores. Isso é o 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