توسعه هسته تنسور فوتونیک که از یادگیری ماشینی با سرعت نور پشتیبانی می‌کند

محققان اخیرا به یک دستاورد بزرگ در زمینه هوش مصنوعی دست پیدا کرده‌اند و برای انجام محاسبات یادگیری ماشینی بجای الکتریسیته، به سراغ نور رفته‌اند.

این رویکرد جدید سرعت و راندمان یادگیری ماشینی در شبکه‌های عصبی را بهبود می‌دهد. این شبکه‌ها نوعی از هوش مصنوعی محسوب می‌شوند که هدف از توسعه آن‌ها، تکرار فعالیت‌هایی است که مغز انسان انجام می‌دهد و شبکه‌ها می‌توانند بدون نظارت، آن‌ها را به خود آموزش دهند.

پردازنده‌های کنونی مورد استفاده در یادگیری ماشینی در زمینه انجام عملیات‌های پیچیده محدودیت دارند که علت آن، انرژی موردنیاز برای پردازش اطلاعات است. هرچقدر کار هوشمندانه‌تر و اطلاعات پیچیده‌تر باشند، به توان بیشتری نیاز خواهد بود. این شبکه‌ها با مشکل سرعت پایین انتقال دیتای الکترونیکی میان پردازنده و حافظه نیز مواجه هستند.

به گزارش ایندیپندنت، محققان دانشگاه «جرج واشنگتن» در ایالات متحده آمریکا به این موضوع پی برده‌اند که با استفاده از فوتون‌ها درون واحدهای پردازش شبکه‌های عصبی (TPU) می‌توانند بر این مشکلات غلبه کنند و هوش مصنوعی قدرتمندتر و با بهره‌وری بالاتر خلق کنند. این مقاله که در ژورنال «Applied Physics Reviews» به چاپ رسیده، نشان می‌دهد که TPU مبتنی بر فوتون در مقایسه با TPU الکتریکی، ۲ تا ۳ مرتبه عملکرد بالاتری داشته‌اند.

یکی از نویسندگان این مقاله، «ماریو میسگولیو» اعلام کرده:

«ما در پژوهش خود به این موضوع پی بردیم که پلتفرم‌های فوتونیک یکپارچه با حافظه نوری کارآمد، می‌توانند به عملیات‌های یکسان با واحد پردازشی تنسور دست پیدا کنند، با این حال انرژی بسیار کمتری مصرف می‌کنند و توان عملیاتی بالاتری دارند.»

از کاربردهای تجاری برای این پردازنده‌ جدید می‌توان به شبکه‌های 5G و 6G و همچنین دیتاسنترها که اطلاعات زیادی را پردازش می‌کنند، اشاره کرد. دکتر میسگولیو به این موضوع اشاره کرده که پردازنده‌های اختصاصی فوتونیک می‌توانند باعث صرفه‌جویی زیادی در مصرف انرژی شوند، زمان پاسخگویی را بهبود دهند و هچنین باعث کاهش ترافیک دیتاسنترها شوند.