机器学习基于光学的处理器，已超越电子芯片!-资讯中心-大学仕

资讯中心

当前位置：

大学仕上下料 ai机器人印钞机 KN95口罩

机器学习基于光学的处理器，已超越电子芯片!

大学仕 2021-01-14 09:13

1点赞 509浏览

十年前，机器学习（尤其是深度神经网络）在商业人工智能应用程序的开发中发挥了重要作用。由于现代计算硬件的计算能力，深度神经网络在2010年代中期得到了有效执行。人工智能硬件是为人工智能应用定制的另一代硬件。

随着人工智能及其应用变得越来越广泛，在技术巨人之间竞争越来越便宜，以制造更便宜，更快的芯片。企业可以从WS的Sagemaker服务等云服务提供商在云上租用这些硬件，也可以购买其硬件。如果可以保持较高的使用率，则自己的硬件可以带来较低的成本。如果不是这样，取决于云卖家，组织处于理想情况。

深度神经网络驱动的解决方案构成了大多数商业人工智能应用。自2010年代以来，这些应用程序的数量和重要性一直在迅速增长，并依靠其继续以类似的速度发展。例如，麦肯锡预测人工智能应用每年将创造4-6万亿美元的显着价值。麦肯锡最近的另一项研究表明，在未来几年中，与人工智能相关的半导体每年将增长18％左右。这是非人工智能应用中使用的半导体开发的数倍。一项类似的研究表明，人工智能硬件将被评估为一个670亿美元的收入市场。

明斯特大学的研究人员与全球团队合作，正在开发可以非常熟练地适应这些任务的新方法和流程体系结构。他们现在已经表明，所谓的光子处理器（通过光的方法来处理数据）可以大大更快，更平等地处理数据，而电子芯片则无法做到这一点。结果已发表在《自然》杂志上。由明斯特大学物理研究所和软纳米科学中心的Wolfram Pernice教授领导的一组分析人员为所谓的矩阵乘法执行了硬件加速器，这暗示了神经网络计算中的基本处理负担。神经网络是再现人类思维的算法的发展。例如，这对于图片中的对象分类和语音识别很有用。

在这项研究中，物理学家利用所谓的卷积神经网络来确认手写数字。这些组织是生物循环引起的机器学习领域的一个想法。它们目前主要用于图像或音频数据的处理，因为它们目前实现了最显着的分类精度。分析师将光子结构与相变材料（PCM）整合为节能存储组件。PCM通常与DVD或BluRay光盘一起用于光学数据存储中。在新的处理器中，这使得可以在无需供电的情况下存储和保护矩阵组件。为了并行完成多个数据集上的矩阵乘法，明斯特物理学家利用基于芯片的频率梳作为光源。而不是通常在低频率范围内工作的常规小工具，光调制速度可以达到50至100GHz范围内的速度来实现。”这意味着该过程授予信息速率和计算密度，例如以前从未实现过的处理器每个区域的操作。

机器学习加速器带来了优于利用通用硬件的优势

更快的计算：人工智能应用程序通常需要具有相同的计算能力才能运行现代训练模型和算法。人工智能硬件提供了更多的并行处理能力，与传统的半导体器件相比，在比较的价位上，这种硬件被评估为具有更多的竞争性，而在人工神经网络中的竞争能力却要高出许多倍。

高带宽内存：经过评估，专用人工智能硬件分配的带宽是常规芯片的4-5倍。鉴于以下事实，这是基本的事实：由于需要并行处理，因此人工智能应用程序在处理器之间总共需要更多的带宽以提高性能。

来源：贤集网

分享到: 微信新浪微博 QQ空间人人网开心网豆瓣更多...

继续阅读与本文标签相同的资讯