MIT光子处理器：AI计算新纪元
MIT光子处理器：AI计算新纪元
麻省理工学院（MIT）的研究团队近日在《自然光子学》上发表论文，宣布开发出一种新型光子处理器，能够在芯片上以光速完成深度神经网络的关键计算，实现超高速且极低能耗的AI计算。这一突破性进展有望为激光雷达、天文学、粒子物理学以及高速电信等领域带来革命性的进步。
当前，驱动最先进机器学习应用的深度神经网络模型已经变得如此庞大和复杂，以至于它们正在推动传统电子计算硬件的极限。光子硬件，即使用光进行机器学习计算的硬件，提供了一种更快、更节能的替代方案。然而，有一些类型的神经网络计算是光子设备无法完成的，这就需要使用片外电子设备或其他技术，这会阻碍速度和效率。
在此背景下，MIT和其他机构的科学家们经过十年的研究，开发出了一种新的光子芯片，克服了这些障碍。他们展示了一种完全集成的光子处理器，可以在芯片上以光学方式完成深度神经网络的所有关键计算。
创新突破：非线性光学功能单元
深度神经网络由许多互连的层组成，包含节点或神经元，它们对输入数据进行操作以产生输出。深度神经网络中的一个关键操作是使用线性代数进行矩阵乘法，这会在数据从一层传递到另一层时对其进行转换。但除了这些线性操作之外，深度神经网络还会执行非线性操作，帮助模型学习更复杂的模式。非线性操作，如激活函数，使深度神经网络能够解决复杂问题。
2017年，Englund的团队与Marin Soljačić教授的实验室合作，在单个光子芯片上展示了可以使用光进行矩阵乘法的光学神经网络。但当时，该设备无法在芯片上执行非线性操作。光学数据必须转换为电信号并发送到数字处理器以执行非线性操作。
他们通过设计称为非线性光学功能单元（NOFU）的设备克服了这一挑战，这些设备结合了电子和光学技术，在芯片上实现非线性操作。研究人员使用三层设备在光子芯片上构建了一个光学深度神经网络。
性能优势：超高速度与高准确率
在开始时，他们的系统将深度神经网络的参数编码到光中。然后，一个可编程分束器阵列（在2017年的论文中已经展示）对这些输入执行矩阵乘法。数据随后传递到可编程NOFU，通过将少量光引导到光电二极管以将光学信号转换为电信号，从而实现非线性函数。这个过程消除了对外部放大器的需求，消耗的能量非常少。
“我们整个过程都保持在光学领域，直到最后想要读取答案的时候。这使我们能够实现超低延迟，”Bandyopadhyay说。实现如此低的延迟使他们能够高效地在芯片上训练深度神经网络，这一过程通常在数字硬件中会消耗大量能量。“这在需要对光学信号进行域内处理的系统中特别有用，比如导航或电信系统，但在希望实时学习的系统中也同样适用，”他说。
该光子系统在训练测试中实现了超过96%的准确率，在推理过程中实现了超过92%的准确率，这与传统硬件相当。此外，该芯片在不到半纳秒的时间内完成关键计算。
应用前景：多个高科技领域的潜在影响
“这项工作表明，计算——本质上是输入到输出的映射——可以编译到新的线性和非线性物理架构上，从而实现计算与所需努力的根本不同的缩放定律，”Englund说。整个电路采用与生产CMOS计算机芯片相同的基础设施和代工工艺制造。这有助于芯片的大规模生产，并使用经过验证的技术引入非常少的制造误差。
未来工作的主要重点将是扩大设备规模并将其与现实世界的电子设备（如相机或电信系统）集成，Bandyopadhyay说。此外，研究人员希望探索能够利用光学优势的算法，以更快的速度和更好的能源效率训练系统。
该研究部分由美国国家科学基金会、美国空军科学研究办公室以及NTT Research资助。