Физики МГУ оценили потенциал фотонных процессоров для нейросетей

Специалисты лаборатории нейроморфной фотоники физического факультета МГУ уточнили потенциальные возможности фотонных вычислительных систем и оценили их работоспособность. Ранее такие оценки строились исключительно на основе экстраполяции данных, полученных в простейших экспериментальных моделях с небольшим числом элементов и не давали нужно точности.

Бурное развитие искусственных нейросетей и их активное применение в самых разных задачах — от обработки изображений до генерации текста и видео — требует все более мощных и эффективных вычислительных решений. Современные процессоры сталкиваются с ограничениями: высокое энергопотребление, значительное тепловыделение и архитектурные узкие места.

Фотонные процессоры потенциально могут преодолеть эти ограничения. Распространение света не сопровождается тепловыми потерями, а сама архитектура обеспечивает высокопараллельную обработку данных. Это открывает путь к заметному снижению энергозатрат при одновременном росте вычислительной мощности.

Мы исследовали одну из частных и наиболее перспективных реализаций фотонного процессора — ее выгодно отличает использование оптической памяти (т.н. халькогенидных стекол) для представления чисел в процессоре, что позволяет отойти от традиционной архитектуры фон Неймана и хранить данные для вычислений напрямую в процессоре.

Григорий Колосов, инженер лаборатории нейроморфной фотоники физического факультета МГУ и один из авторов исследования

Ученые представили каждый элемент процессора в виде матрицы электрического и оптического отклика, что позволило смоделировать работу всей системы. Сравнивая соотношение мощности сигнала и шума, исследователи пришли к выводу, что максимальный размер одного ядра фотонного процессора, обеспечивающий стабильную работу, составляет 15×15 элементов оптической памяти.

Этот результат показывает, что ранее опубликованные оценки возможностей оптических вычислений были завышены. Однако даже с этим ограничением фотонный процессор способен достигать производительности до 4 тераопераций в секунду (ТОПС) на одно ядро при энергопотреблении менее 1 Ватта. Это делает его одним из самых энергоэффективных решений для обучения и работы нейросетей.

Источник: hightech.fm