El aprendizaje automático realizado por redes neuronales es un enfoque popular para desarrollar inteligencia artificial, ya que los investigadores buscan replicar las funcionalidades del cerebro para una variedad de aplicaciones.
Un artículo en el diario Revisiones de física aplicada , por AIP Publishing, propone un nuevo enfoque para realizar cálculos requeridos por una red neuronal, utilizando luz en lugar de electricidad. En este enfoque, un núcleo tensor fotónico realiza multiplicaciones de matrices en paralelo, mejorando la velocidad y la eficiencia de los paradigmas actuales de aprendizaje profundo.
En el aprendizaje automático, las redes neuronales están entrenadas para aprender a realizar decisiones y clasificaciones no supervisadas sobre datos no vistos. Una vez que una red neuronal se entrena sobre datos, puede producir una inferencia para reconocer y clasificar objetos y patrones y encontrar una firma dentro de los datos.
El TPU fotónico almacena y procesa datos en paralelo, presentando una interconexión electroóptica, que permite que la memoria óptica sea leída y escrita eficientemente y el TPU fotónico para interactuar con otras arquitecturas.
"Descubrimos que las plataformas fotónicas integradas que integran una memoria óptica eficiente pueden obtener las mismas operaciones que una unidad de procesamiento de tensor, pero consumen una fracción de la potencia y tienen un mayor rendimiento y, cuando se entrena oportunamente, se pueden usar para realizar inferencia enla velocidad de la luz ", dijo Mario Miscuglio, uno de los autores.
La mayoría de las redes neuronales desentrañan múltiples capas de neuronas interconectadas con el objetivo de imitar el cerebro humano. Una forma eficiente de representar estas redes es una función compuesta que multiplica las matrices y los vectores. Esta representación permite la realización de operaciones paralelas a través de arquitecturas especializadas en operaciones vectorizadascomo la multiplicación de matrices.
Sin embargo, cuanto más inteligente es la tarea y mayor precisión de la predicción deseada, más compleja se vuelve la red. Dichas redes exigen mayores cantidades de datos para el cálculo y más potencia para procesar esos datos.
Los procesadores digitales actuales adecuados para el aprendizaje profundo, como las unidades de procesamiento de gráficos o las unidades de procesamiento de tensor, están limitados en la realización de operaciones más complejas con mayor precisión por la potencia requerida para hacerlo y por la transmisión lenta de datos electrónicos entre el procesador y elmemoria.
Los investigadores mostraron que el rendimiento de su TPU podría ser de 2-3 órdenes más alto que un TPU eléctrico. Los fotones también pueden ser una combinación ideal para computar redes y motores distribuidos por nodos que realizan tareas inteligentes con alto rendimiento en el borde de las redes, como 5G. En los bordes de la red, las señales de datos ya pueden existir en forma de fotones de cámaras de vigilancia, sensores ópticos y otras fuentes.
"Los procesadores fotónicos especializados pueden ahorrar una enorme cantidad de energía, mejorar el tiempo de respuesta y reducir el tráfico del centro de datos", dijo Miscuglio.
Para el usuario final, eso significa que los datos se procesan mucho más rápido, porque una gran parte de los datos se procesa previamente, lo que significa que solo una parte de los datos debe enviarse a la nube o al centro de datos.
Fuente de la historia :
Materiales proporcionado por Instituto Americano de Física . Nota: El contenido puede ser editado por estilo y longitud.
Referencia del diario :
Cita esta página :