AI Didorong Oleh Prosesor Berbasis Cahaya Konvolusional Paralel

AI Didorong Oleh Prosesor Berbasis Cahaya Konvolusional Paralel

AI Didorong Oleh Prosesor Berbasis Cahaya Konvolusional Paralel – Pertumbuhan lalu lintas data yang eksponensial di era digital kita menimbulkan beberapa tantangan nyata pada kekuatan pemrosesan.

Dan dengan munculnya pembelajaran mesin dan AI, misalnya, kendaraan yang dapat mengemudi sendiri dan pengenalan suara, tren kenaikan akan terus berlanjut. Semua ini menempatkan beban berat pada kemampuan prosesor komputer saat ini untuk memenuhi permintaan.

AI Didorong Oleh Prosesor Berbasis Cahaya Konvolusional Paralel

Sekarang, tim ilmuwan internasional telah beralih ke cahaya untuk mengatasi masalah tersebut. Para peneliti mengembangkan pendekatan dan arsitektur baru yang menggabungkan pemrosesan dan penyimpanan data ke dalam satu chip dengan menggunakan prosesor berbasis cahaya, atau “fotonik”, yang terbukti melampaui chip elektronik konvensional dengan memproses informasi jauh lebih cepat dan paralel.

Para ilmuwan mengembangkan akselerator perangkat keras untuk apa yang disebut perkalian vektor-matriks, yang merupakan tulang punggung jaringan saraf (algoritma yang mensimulasikan otak manusia), yang digunakan sendiri untuk algoritma pembelajaran mesin.

Karena panjang gelombang cahaya (warna) yang berbeda tidak mengganggu satu sama lain, para peneliti dapat menggunakan beberapa panjang gelombang cahaya untuk perhitungan paralel. Tetapi untuk melakukan ini, mereka menggunakan teknologi inovatif lain, yang dikembangkan di EPFL, “frekuensi sisir” berbasis chip, sebagai sumber cahaya.

“Penelitian kami adalah yang pertama menerapkan sisir frekuensi di bidang jaringan saraf tiruan,” kata Profesor Tobias Kippenberg dari EPFL, salah satu pemimpin penelitian. Penelitian Profesor Kippenberg telah memelopori pengembangan frekuensi sisir. “Sisir frekuensi menyediakan berbagai panjang gelombang optik yang diproses secara independen satu sama lain dalam chip fotonik yang sama.”

“Prosesor berbasis cahaya untuk mempercepat tugas di bidang pembelajaran mesin memungkinkan tugas matematika yang kompleks diproses dengan kecepatan dan hasil yang tinggi,” kata rekan penulis senior Wolfram Pernice di Universitas Münster, salah satu profesor yang memimpin penelitian. “Ini jauh lebih cepat daripada chip konvensional yang mengandalkan transfer data elektronik, seperti kartu grafis atau perangkat keras khusus seperti TPU (Tensor Processing Unit).”

Setelah merancang dan membuat chip fotonik, para peneliti mengujinya di jaringan saraf yang mengenali nomor yang ditulis tangan. Terinspirasi oleh biologi, jaringan ini adalah konsep di bidang pembelajaran mesin dan digunakan terutama dalam pemrosesan data gambar atau audio.

“Operasi konvolusi antara data masukan dan satu atau beberapa filter – yang dapat mengidentifikasi tepi dalam gambar, misalnya, sangat sesuai dengan arsitektur matriks kami,” kata Johannes Feldmann, yang kini berbasis di Departemen Material Universitas Oxford.

Nathan Youngblood (Universitas Oxford) menambahkan: “Memanfaatkan penggandaan panjang gelombang memungkinkan kecepatan data dan kepadatan komputasi yang lebih tinggi, yaitu operasi per area pemroses, yang sebelumnya tidak dicapai”.

“Pekerjaan ini adalah pameran nyata dari penelitian kolaboratif Eropa,” kata David Wright dari University of Exeter, yang memimpin proyek FunComp Uni Eropa, yang mendanai pekerjaan tersebut. “Sementara setiap kelompok penelitian yang terlibat memimpin dunia dengan caranya sendiri, menyatukan semua bagian inilah yang membuat pekerjaan ini benar-benar mungkin.”

AI Didorong Oleh Prosesor Berbasis Cahaya Konvolusional Paralel

Studi ini dipublikasikan di Nature minggu ini, dan memiliki aplikasi yang luas jangkauannya: pemrosesan data secara simultan (dan hemat energi) yang lebih tinggi dalam kecerdasan buatan, jaringan saraf yang lebih besar untuk prakiraan yang lebih akurat dan analisis data yang lebih tepat, sejumlah besar data klinis untuk mendiagnosis, meningkatkan evaluasi cepat data sensor pada kendaraan yang dapat mengemudi sendiri, dan memperluas infrastruktur komputasi awan dengan lebih banyak ruang penyimpanan, daya komputasi, dan perangkat lunak aplikasi.