【新智元导读】MIT的研究职员开拓出一种新型 “光子” 芯片，它利用光而不是电，并且在此过程中花费相对较少的功率。该芯片用于处理大规模神经网络的效率比现有的打算机赶过数百万倍。仿照结果表明，光子芯片运行光神经网络的效率是其电子芯片的1000万倍。
神经网络是一种机器学习模型，广泛用于机器人目标识别、自然措辞处理、药物开拓、医学成像和驱动无人驾驶汽车等任务。利用光学征象加速打算的新型光学神经网络可以比其他电子对应物更快、更有效地运行。
但随着传统神经网络和光学神经网络越来越繁芜，它们花费了大量的能量。为理解决这个问题，研究职员和包括谷歌、IBM和特斯拉在内的紧张科技公司开拓了“人工智能加速器”，这是一种专门的芯片，可以提高培训和测试神经网络的速率和效率。
对付电子芯片，包括大多数人工智能加速器，有一个理论上的最低能耗限定。最近，MIT的研究职员开始为光神经网络开拓光子加速器。这些芯片实行数量级的效率更高，但它们依赖于一些体积弘大的光学元件，这些元件限定了它们在相对较小的神经网络中的利用。
在《物理评论X》上揭橥的一篇论文中，MIT的研究职员描述了一种新型光子加速器，它利用更紧凑的光学元件和光旗子暗记处理技能，以大幅降落功耗和芯片面积。这使得芯片可以扩展到神经网络，比对应的芯片大几个数量级。
比传统电子加速器的能耗极限低1000万倍以上神经网络在MNIST图像分类数据集上的仿照演习表明，加速器理论上可以处理神经网络，比传统电子加速器的能耗极限低1000万倍以上，比光子加速器的能耗极限低1000倍旁边。研究职员现在正在研制一种原型芯片来实验证明这一结果。
“人们正在探求一种能够打算出超出基本能耗极限的技能，”电子研究实验室的博士后Ryan Hamerly说：“光子加速器是很有出息的……但我们的动机是建造一个（光子加速器）可以扩展到大型神经网络。”
这些技能的实际运用包括降落数据中央的能耗。“对付运行大型神经网络的数据中央的需求越来越大，而且随着需求的增长，它越来越难以打算，”合著者、电子研究实验室的研究生Alexander Sludds说，其目的是“利用神经网络硬件知足打算需求……以办理能源花费和延迟的瓶颈”。
与Sludds和Hamerly合写该论文的有：RLE研究生、联合作者Liane Bernstein；麻省理工学院物理教授Marin Soljacic；一名麻省理工学院电气工程和打算机科学副教授Dirk Englund；一名RLE的研究员，以及量子光子学实验室的卖力人。
依赖于一种更紧凑、节能的“光电”方案神经网络通过许多包含互联节点（称为“神经元”）的打算层来处理数据，从而在数据中找到模式。神经元吸收来自其上游“邻居”的输入，并打算一个输出旗子暗记，该旗子暗记被发送到下贱更远的神经元。每个输入也被分配一个“权重”，一个基于其对所有其他输入的相对主要性的值。随着数据在各层中“深入”传播，网络逐渐学习更繁芜的信息。末了，输出层根据全体层的打算天生预测。
所有人工智能加速器的目标都是减少在神经网络中的特定线性代数步骤（称为“矩阵乘法”）中处理和移动数据所需的能量。在那里，神经元和权重被编码成单独的行和列表，然后结合起来打算输出。
在传统的光子加速器中，脉冲激光编码了一个层中每个神经元的信息，然后流入波导并通过分束器。产生的光旗子暗记被送入一个称为“Mach-Zehnder 干涉仪”的正方形光学元件网格中，该网格被编程为实行矩阵乘法。干涉仪用每个重量的信息进行编码，利用处理光旗子暗记和重量值的旗子暗记滋扰技能来打算每个神经元的输出。但是有一个缩放问题：对付每个神经元，必须有一个波导管，对付每个重量，必须有一个干涉仪。由于重量的数量与神经元的数量成正比，那些干涉仪占用了大量的空间。
“你很快就会意识到输着迷经元的数量永久不会超过100个旁边，由于你不能在芯片上安装那么多的元件，”Hamerly说，“如果你的光子加速器不能每层处理100个以上的神经元，那么很难将大型神经网络运用到这种构造中。”
研究职员的芯片依赖于一种更紧凑、节能的“光电”方案，该方案利用光旗子暗记对数据进行编码，但利用“平衡零差检测”进行矩阵乘法。这是一种在打算两个光旗子暗记的振幅（波高）的乘积后产生可丈量电旗子暗记的技能。
光脉冲编码的信息输入和输入迷经元的每个神经网络层——用来演习网络——通过一个单一的通道流动。用矩阵乘法表中整行权重信息编码的单独脉冲通过单独的通道流动。将神经元和重量数据传送到零差光电探测器网格的光旗子暗记。光电探测器利用旗子暗记的振幅来打算每个神经元的输出值。每个检测器将每个神经元的电输出旗子暗记输入一个调制器，该调制器将旗子暗记转换回光脉冲。光旗子暗记成为下一层的输入，以此类推。
这种设计只须要每个输入和输入迷经元一个通道，并且只须要和神经元一样多的零差光电探测器，而不须要重量。由于神经元的数量总是远远少于重量，这就节省了大量的空间，以是芯片能够扩展到每层神经元数量超过一百万的神经网络。
找到最佳有了光子加速器，旗子暗记中会有不可避免的噪声。注入芯片的光芒越多，噪音越小，精确度也越高——但这会变得非常低效。输入光越少，效率越高，但会对神经网络的性能产生负面影响。但是有一个“最佳点”，Bernstein说，它在保持准确度的同时利用最小的光功率
人工智能加速器的最佳位置因此实行一次两个数相乘的单一操作（如矩阵相乘）须要多少焦耳来衡量的。现在，传统的加速器是用皮焦（picojoules）或万亿焦耳（joule）来丈量的。光子加速器以attojoules丈量，效率赶过一百万倍。
在仿照中，研究职员创造他们的光子加速器可以以低于attojoules的效率运行。 “在失落去准确性之前，你可以发送一些最小的光功率。我们的芯片的基本限定比传统的加速器低得多......并且低于其他光子加速器，”Bernstein表示。
参考链接：
http://news.mit.edu/2019/ai-chip-light-computing-faster-0605
