Прототип оптического ИИ-ускорителя в 100 раз быстрее кремниевых чипов

Бостонская компания Lightelligence утверждает, что добилась успеха в производстве оптического нейронного процессора. Показатель запаздывания улучшен в 10 000 раз по сравнению с традиционным железом, а потребление энергии снижено на «несколько порядков».

Нейронные процессоры, использующие вместо электронов свет, способны подстегнуть развитие искусственного интеллекта. В теории они могут обрабатывать алгоритмы со скоростью света — значительно быстрее, чем самые современные логические вентили. Но до сих пор непредсказуемость света препятствовала попыткам создания оптических транзисторов, пишет VentureBeat.

Технологию, которая легла в основу прототипа от Lightelligence, была разработана в 2017 году студентом MIT Шэнь Ичэнем.

В опубликованной тогда статье он предложил новый способ работы нейронных сетей при помощи оптической интерференции. Через несколько месяцев был основан стартап по коммерциализации технологии. Теперь в Lightelligence объявляют, что достигли цели.

Сам чип — размером примерно с печатную плату — состоит из фотонных цепей, похожих на оптические волокна. Для работы ему надо совсем немного энергии, потому что свет выделяет меньше тепла, чем электричество, и он менее подвержен изменениям температуры окружающей среды, электромагнитных полей и воздействию других помех.

Чип интегрируется в уже существующие машины на периферии сети как локальный сервер и, скорее всего, будет поставляться вместе с программным стеком, совместимым с алгоритмами популярных фреймворков — Google’s Tensorflow, Facebook’s Caffe2 и Pytorch и других.  

Lightelligence уже продемонстрировал, как работает на его ускорителе MNIST — стандартная модель машинного обучения, которая использует компьютерное зрения для распознавания рукописного текста.

Она показала, что ключевые компоненты ИИ-моделей выполняются примерно в 100 раз быстрее, чем на современных электронных чипах.

Возможность обучения искусственной нейронной сети на оптическом чипе доказали в прошлом году в Стэнфорде. До сих пор тренировки проводились на компьютерной модели, однако использование физического устройства делает процесс более точным.