Fra silisium til lys: Neste AI‑maskinvarebølge

Etter hvert som kunstig intelligens (AI) blir stadig mer populær og kraftig, øker også appetitten for hastighet og energi. Behovet for raskere, smartere og mer effektive systemer har fått forskere til å utforske et radikalt alternativ: optisk databehandling.

I motsetning til tradisjonelle prosessorer som bruker elektroner, bruker optisk databehandling fotoner, eller lyspartikler, til å overføre og behandle informasjon. Dette skiftet gir to kritiske fordeler.

For det første er fotoner betydelig energieffektive. De produserer langt mindre varme enn elektroner, som genererer så mye varme at det begrenser ytelsen deres og krever store, kostbare kjølesystemer i datasentre.

For det andre beveger lys seg mye, mye raskere enn elektriske strømmer, noe som muliggjør dramatisk raskere operasjoner. Optiske signaler kan også bære mer informasjon, og gir en enkel vei til renere, raskere databehandling.

Som et resultat er interessen for fotonisk databehandling i vekst. Teknologien viser lovende resultater i laboratorieinnstillinger og tiltrekker betydelige investeringer fra store selskaper.

Imidlertid har det vist seg ganske vanskelig å overføre den laboratoriebaserte suksessen til praktiske fotoniske enheter. For dette må vi først overvinne flere hindringer. Fotoner interagerer ikke naturlig med hverandre, noe som gjør det vanskelig å bygge de optiske logiske portene som er grunnleggende for databehandling. I tillegg er teknologien fortsatt under forskning, så den mangler den modenheten og skalaøkonomiene som elektronisk chipproduksjon har oppnådd gjennom tiår med kommersialisering.

Deretter er det kostnad, bulk og lave moduleringshastigheter som begrenser de fleste eksisterende optiske oppsett. 

En ny studie har tatt et stort steg mot å overvinne noen begrensninger ved å utvikle en ny optisk motor, som kombinerer hastighet, effektivitet og kompakthet på én chip.

Forskere fra Tsinghua University har utviklet et banebrytende optisk system for databehandling som utfører funksjonsekstraksjon med enestående lav latens, som har potensial til å revolusjonere AI‑behandling.

Bruken av lys i stedet for elektrisitet til å behandle data gjør at teknologien kan akselerere databehandling betydelig samtidig som den minimerer latens, et stort sprang mot sanntids‑AI.

I kjernen av dette nye systemet ligger en halvlederoptisk forsterker‑basert Mach‑Zehnder interferometer, eller SOA‑MZI. 

En SOA er en kompakt enhet som direkte forsterker lyssignaler via stimulert emisjon. Samtidig er MZI, et av de eldste optiske instrumentene, en grunnleggende bølgeguide‑interferens innretning som består av to koblere koblet sammen av to bølgeguider med ulik lengde.

Nå tillater SOA‑MZI‑oppsettet at lys utføre arbeidet som ligger til grunn for dyp læring. Informasjonen her blir behandlet, og funksjoner som mønstre og kanter blir oppdaget i lyssignalet, uten å konvertere dem tilbake til elektrisitet.

I tillegg, en bølgelengde‑deling‑multipleksing (WDM)‑metode brukes av enheten. Denne metoden deler lyset inn i et spekter av farger, hvor hver farge bærer sin egen datastrøm. Ved å utnytte WDM kan chipen utføre mange beregninger parallelt, og dermed øke den gjennomstrømning. 

Når den ble testet i laboratoriet, behandlet motoren data med hastigheter på opptil 10 gigabit per sekund (Gbps) per kanal med en latens på kun noen titalls pikosekunder (ps). For kontekst tilsvarer én ps 1 000 femtosekunder eller en tusendel av et nanosekund.

Disse resultatene viser at motoren er mye raskere enn noen elektronisk prosessor kan noen gang håpe å oppnå.

Hva dette hastigheten betyr er at systemet kan behandle informasjon i sanntid, noe som gjør det ideelt for applikasjoner som høyfrekvent handel, medisinsk bildediagnostikk, robotisk kirurgi, eller autonome kjøretøy. Disse applikasjonene er avhengige av AI sin evne til å trekke ut nøkkelfunksjoner fra rådata raskt, så selv millisekunder er av stor betydning.

Gjennombruddet: Tsinghua sin optiske motor og sanntids‑AI

Moores lov sier at antallet transistorer på en mikrochip dobles omtrent hvert to år. Dette fører til en økning i datakraft, en reduksjon i kostnad, og generelt mindre enheter.

Denne trenden, som har drevet innovasjon i halvlederindustrien, ser nå ut til å være på vei mot slutten. Etter å ha krympet til størrelser på bare noen få nanometer, nærmer transistorstørrelsene seg de fysiske grensene for silisiumbasert teknologi.

I tillegg til den mindre størrelsen, som fører til elektron‑tunneling og lekkasjestrømmer som øker energiforbruket og varmegenereringen, har kostnadene for produksjon av toppmoderne mikrochips skutt i været. Samtidig når silisium selv sine ytelses‑ og skaleringsgrenser.

Dette er grunnen til at forskere og selskaper har utforsket alternative løsninger som chiplets, system‑in‑package (SiP), ikke‑flyktig minne, kvantedatabehandling, biocomputing, og selvfølgelig fotonikk. 

Blant disse alternativene viser fotonikk spesielt stort potensial for AI‑applikasjoner. Ved å utnytte lysets kraft, kan funksjonsekstraksjon, et kritisk steg i maskinlæring, bli kraftig akselerert. 

Funksjonsekstraksjon er prosessen med å omforme rådata til et forenklet sett av numeriske funksjoner som bedre representerer det underliggende problemet for maskinlærings‑ (ML) modeller. Denne teknikken reduserer datakompleksiteten for å trekke ut den mest relevante informasjonen, og forbedrer dermed ytelsen og effektiviteten til ML‑algoritmer.

Selv om lys kan akselerere funksjonsekstraksjon, er det ekstremt utfordrende å opprettholde stabilt, koherent lys for raske optiske beregninger. 

For å takle dette, har forskere fra Tsinghua University utviklet en andre‑generasjons optisk funksjonsekstraksjonsmotor (OFE2)¹ som kan utføre optisk funksjonsekstraksjon for mange praktiske applikasjoner. Det integrerte on‑chip‑systemet bruker justerbare kraftsplittere og presise forsinkelseslinjer for å levere stabile, parallelle optiske signaler.

Systemet deserialiserer den innkommende datastrømmen ved å prøve ut inngangssignalet i flere synkroniserte lysbølger som tillater parallell, sanntidsbehandling.

Disse lysbølgene passerer deretter gjennom diffraksjonsoperatoren, en mikroskopisk plate‑lignende struktur som utfører beregninger mens lyset propagerer gjennom den. Denne operasjonen speiler matrise‑vektor‑multiplikasjon, en grunnleggende AI‑operasjon brukt til å transformere og behandle data.

Hvordan det diffrakterte lyset skaper et fokusert ‘lyst punkt’ ved utgangen er grunnleggende for denne operasjonen, siden det kan delvis avbøyes mot en bestemt utgangsport ved å justere fasen til de parallelle inngangslysene. Det er denne bevegelsen i utgangseffekt, sammen med de tilsvarende endringene, som gjør at deres motor, også kjent som OFE2, kan fange funksjoner av den innkommende signalets variasjoner over tid.

OFE2 opererer ved en hastighet på 12,5 GHz, en rekord innen optisk databehandling, og kan utføre en enkelt matrise‑vektor‑multiplikasjon innen 250,5 ps, som er den laveste latensen blant lignende implementasjoner av optisk databehandling.

“Vi er overbevist om at dette arbeidet gir en betydelig målestokk for å fremme integrert optisk diffraksjonsdatabehandling til å overstige en hastighet på 10 GHz i virkelige applikasjoner.”

– Professor Hongwei Chen, som sammen med sitt team ved Tsinghua University gjennomførte denne forskningen

Teamet demonstrerte de sterke evnene til systemet sitt på tvers av ulike oppgaver.

Når den ble testet på en digital handelsoppgave, oppnådde OFE2 imponerende resultater. En trader sender sanntids pris‑signaler inn i OFE2, og den optimalt konfigurerte motoren genererer utgangssignaler som direkte oversettes til kjøps‑ eller salgsbeslutninger for å oppnå stabil lønnsomhet med minimal forsinkelse, siden systemet opererer med lysets hastighet.

Teamet brukte også OFE2 til å behandle bilder, hvor motoren ekstraherte kant‑funksjoner fra inngangsbildene og skapte to komplementære funksjonskart som ligner på relieff‑ og graveringseffekter. De optiske funksjonene produsert av OFE2 presterte mye bedre i klassifisering av bilder og økte piksel nøyaktighet i semantisk segmentering, som identifisering av organer i datatomografi (CT)-skanninger.

Enda viktigere, når AI‑systemer bruker OFE2, trenger de færre elektroniske parametere, noe som viser potensialet til optisk forhåndsbehandling for å muliggjøre lettere, mer effektive og rimeligere hybride AI‑systemer. Det harde arbeidet utføres av optisk forhåndsbehandling, mens AI‑modellene kan fokusere på læring og tolkning.

Disse resultatene antyder at de mest intensive beregningsbelastningene kan flyttes fra elektronikk til fotonikk, og åpner for en fremtid med sanntids‑AI‑modeller.

Ifølge forskerne kan enheten deres behandle store datastrømmer med svært lite energitap samtidig som den opprettholder god signalintegritet selv under belastning.

“Fremskrittene presentert i vår studie skyver integrerte diffraksjonsoperatorer til en høyere hastighet, og gir støtte for beregningsintensive tjenester innen områder som bilderegistrering, assisterte helsetjenester og digital finans,” sa Chen. “Vi ser frem til å samarbeide med partnere som har datakrevende beregningsbehov.”

Klikk her for å lære hvordan databehandling med lysets hastighet blir mulig med silisium‑fotonikk.

Det globale kappløpet om å gjenoppfinne beregning med fotonikk 

Swipe to scroll →

Fremdriften fra Tsinghua er en del av et større globalt skifte. Forskere over hele verden konkurrerer om å overvinne de elektroniske flaskehalsene ved å gå over til lys.

Tidligere i år, et annet team fra Kina avslørte sin chip, som bruker lys til å synkronisere prosessorer og kan åpne for neste generasjons kommunikasjon og høyhastighets‑AI‑databehandling.

Tradisjonelle chips genererer klokkesignaler ved hjelp av elektroniske oscillatorer, og de ofte kun opererer ved én primær klokkehastighet, noe som betyr at ulike applikasjoner trenger ulike chip‑produksjonsteknologier. Den nye chipen designet av det internasjonale forskerteamet ledet av Kinas Peking University bruker “lys som medium for å generere klokkesignaler gjennom fotoner.”

De har utviklet en “on‑chip mikro‑comb” som kan syntetisere enkelt‑frekvens‑ og bredbåndssignaler og levere referansekloker for elektronikken i systemet.

“Ved å bygge en ring som ser ut som en løpsbane på chipen, kan lys kontinuerlig ‘løpe’ med lysets hastighet. Tiden for hver runde brukes deretter som standard for on‑chip‑klokken,” sa hovedforfatter Chang Lin, som er assistent professor ved Institutt for informasjons‑ og kommunikasjonsteknologi ved Peking University. “Fordi en runde tar noen milliarder av et sekund, kan klokken regulere tid med en ultra‑høy hastighet.”

Utstyrt med den nye teknologien kan chips dekke ulike mikrobølge‑frekvensbånd.

Teamet har oppnådd en klokkehastighet på over 100 GHz og har sagt at de kan produsere tusenvis av identiske chips på 8‑tommers wafere mens de løser stabilitetsproblemer og optimaliserer pakkingsprosesser.

Et annet internasjonalt forskerteam forsøkte å <a class="editor-rtfLink" href="https://www.nature.com/articles/s415