پژوهشگران دانشگاه پکن، شبکه نوری جدیدی برای اتصال تراشه هوش مصنوعی توسعه دادند که سرعت پردازش را بیش از ۱۰۰ برابر افزایش می‌دهد و در عین حال تنها به حدود یک‌نهم توان پردازشی مورد نیاز سامانه‌های متداول مبتنی بر پردازنده‌های گرافیکی (GPU) نیاز دارد.
به گزارش سرویس هوش مصنوعی تکناک، در سال‌های اخیر، شرکت‌های بزرگ فناوری برای افزایش توان پردازشی مدل‌های هوش مصنوعی، تعداد بیشتری پردازنده گرافیکی را در قالب خوشه‌های عظیم به یکدیگر متصل کرده‌اند. با وجود این، افزایش تعداد تراشه‌ها به‌تنهایی پاسخگوی نیاز مدل‌های جدید نیست، چرا که انتقال داده میان پردازنده‌ها به یکی از بزرگ‌ترین موانع افزایش کارایی تبدیل شده است. هرچه تعداد تراشه‌ها بیشتر شود، حجم تبادل داده نیز افزایش می‌یابد و بخش قابل توجهی از زمان پردازش صرف جابه‌جایی اطلاعات میان آنها می‌شود.
پژوهشگران چینی برای حل این مشکل، رویکرد متفاوتی را در پیش گرفته‌اند. آنها به‌جای افزایش تعداد پردازنده‌ها، معماری ارتباطی میان تراشه‌ها را بازطراحی کرده‌اند تا داده‌ها با استفاده از نور جابه‌جا شوند. این روش علاوه بر کاهش تأخیر، مصرف انرژی را نیز به میزان چشمگیری کاهش می‌دهد.
مرتبط: هوش مصنوعی، کارکنان مسن‌تر را از بازار کار کنار می زند
هسته اصلی این سامانه را یک فرستنده و گیرنده سیلیکون فوتونیکی با سرعت ۴۰۰ گیگابیت‌برثانیه تشکیل می‌دهد. این تراشه، سیگنال‌های الکتریکی را به سیگنال‌های نوری تبدیل می‌کند و سپس دوباره آنها را به سیگنال الکتریکی بازمی‌گرداند. این فرایند امکان انتقال بسیار سریع اطلاعات را میان تراشه‌های مختلف فراهم می‌کند.
در کنار این بخش، پژوهشگران یک سوئیچ نوری اختصاصی ۱۶×۱۶ نیز طراحی کرده‌اند که وظیفه هدایت داده‌ها میان گره‌های پردازشی را بر عهده دارد. این سوئیچ قادر است پهنای باند تجمیعی تا ۶.۴ ترابیت‌برثانیه را فراهم کند. چنین ظرفیتی امکان ایجاد شبکه مقیاس‌پذیری را برای اتصال تعداد زیادی تراشه پردازشی فراهم می‌کند.
یکی از ویژگی‌های مهم این سوئیچ، اتلاف سیگنال کمتر از ۵ دسی‌بل است. این مقدار پایین حتی اتلاف ناشی از اتصال را نیز در بر می‌گیرد و باعث می‌شود داده‌ها بدون نیاز به تجهیزات تقویت‌کننده نوری، با سرعت بالا و بدون خطا منتقل شوند. همچنین پژوهشگران اعلام کرده‌اند که این سوئیچ، عملکرد بدون خطای خود را در مسیرهای ارتباطی مختلف حفظ می‌کند.
مرتبط: فشار هوش مصنوعی، اپل را به توسعه سریع تراشه M7 واداشت
از دیگر قابلیت‌های این فناوری می‌توان به پشتیبانی از پاسخ طیفی بیش از ۱۰۰ نانومتر اشاره کرد. این ویژگی امکان استفاده از فناوری تقسیم طول موج یا WDM را در آینده فراهم می‌کند. در این فناوری چندین جریان داده به طور هم‌زمان و روی طول موج‌های مختلف نور منتقل می‌شوند و پهنای باند شبکه به شکل قابل توجهی افزایش می‌یابد.
پژوهشگران برای آزمایش عملکرد این معماری، یک شبکه عصبی کانولوشنی پنج‌لایه را برای حذف نویز تصاویر روی سامانه اجرا کردند. آنها هر لایه از شبکه عصبی را روی یک واحد پردازشی مستقل قرار دادند و ارتباط میان این واحدها را از طریق شبکه نوری برقرار کردند.
در سامانه‌های رایج، داده‌های میانی پس از پایان پردازش هر لایه ابتدا در حافظه ذخیره و سپس برای پردازنده بعدی ارسال می‌شوند. این مرحله بخش قابل توجهی از زمان اجرای مدل را به خود اختصاص می‌دهد و باعث می‌شود برخی واحدهای پردازشی تا رسیدن داده‌های جدید بدون استفاده باقی بمانند.
اما در معماری جدید، داده‌های میانی یا همان نقشه‌های ویژگی، بدون ذخیره‌سازی در حافظه و به صورت مستقیم از طریق شبکه نوری به واحد پردازشی بعدی ارسال شدند. این روش باعث شد تمام واحدهای پردازشی به صورت هم‌زمان و پیوسته فعالیت کنند و زمان انتظار میان مراحل مختلف پردازش تقریباً حذف شود.
نتایج آزمایش نشان داد این سامانه در اجرای وظیفه حذف نویز تصاویر، عملکرد بسیار بهتری از یک پردازنده گرافیکی تجاری دارد. بر اساس اعلام پژوهشگران، سرعت استنتاج مدل هوش مصنوعی بیش از ۱۰۰ برابر افزایش یافت، در حالی که سامانه تنها به حدود یک‌نهم توان پردازشی مورد نیاز GPU احتیاج داشت. این موضوع نشان می‌دهد که بهبود معماری ارتباطی میان تراشه‌ها می‌تواند تأثیری حتی بیشتر از افزایش تعداد پردازنده‌ها داشته باشد.
مرتبط: جهش ۱۰۰ برابری سرعت هوش مصنوعی با شبکه نوری تراشه ها
پژوهشگران در مقاله خود تأکید کرده‌اند که طراحی هم‌زمان الگوریتم‌های هوش مصنوعی، معماری ریزپردازنده‌ها و شبکه ارتباطی میان تراشه‌ها می‌تواند اهداف پردازشی را حتی با منابع محاسباتی محدود محقق کند. به اعتقاد آنها، این رویکرد مسیر تازه‌ای را برای توسعه سامانه‌های هوش مصنوعی نسل آینده باز می‌کند.
همچنین این گروه تحقیقاتی معتقد است استفاده از ارتباطات نوری می‌تواند مصرف انرژی مراکز داده را کاهش دهد و عملکرد سامانه‌های رایانش لبه را نیز بهبود بخشد. کاهش تأخیر و افزایش بهره‌وری انرژی، دو عامل کلیدی برای اجرای مدل‌های بزرگ هوش مصنوعی در خودروهای خودران، ربات‌های هوشمند، تجهیزات صنعتی و دستگاه‌های قابل حمل محسوب می‌شوند.
پژوهشگران در پایان اعلام کردند که پیشرفت فناوری‌هایی مانند فوتونیک هم‌بسته، فرستنده و گیرنده‌های پیشرفته سیلیکون فوتونیکی و رابط‌های پرسرعت مخصوص تراشه‌های هوش مصنوعی، می‌تواند راه را برای تولید ابرگره‌های نوری روی تراشه هموار کند. آنها پیش‌بینی کردند که چنین سامانه‌هایی در آینده به زیرساخت اصلی مراکز داده و سامانه‌های پردازش توزیع‌شده تبدیل شوند و نیاز روزافزون مدل‌های هوش مصنوعی به پهنای باند بالا، تأخیر پایین و مصرف انرژی کمتر را بدون اتکا به خوشه‌های عظیم و پردازنده‌های بسیار پرمصرف برطرف کنند.
