ویرگول
ورودثبت نام
نشریهٔ بارقه
نشریهٔ بارقهنشریۀ انجمن علمی-فرهنگی دانشکدۀ مهندسی برق دانشگاه صنعتی شریف (رسانا)
نشریهٔ بارقه
نشریهٔ بارقه
خواندن ۳ دقیقه·۶ سال پیش

پردازندۀ نوری


راهکاری متفاوت برای تسریع محاسبات عصبی

چندین سال است که استفاده از شبکه‌‌‌‌‌‌های عصبی مصنوعی (ANN) در کابردهای مختلف گسترش پیدا کرده اما یکی از مشکلات پیش ‌‌‌‌‌‌روی این حوزه که مهندسین برق و کامپیوتر مدت‌‌‌‌‌‌هاست برای حل آن تلاش می‌‌‌‌‌‌کنند، انجام سریع‌‌‌‌‌‌تر و پربازده‌‌‌‌‌‌تر محاسبات شبکه‌‌‌‌‌‌های عصبی است. به همین دلیل طراحی سخت‌‌‌‌‌‌افزارهای شتاب‌‌‌‌‌‌دهنده‌‌‌‌‌‌ با انواع مختلف فرآیندهای پردازش تخصصی و موازی و ساختارهای حافظه‌‌‌‌‌‌ای، اخیراً کانون فعالیت‌‌‌‌‌‌ها شده و استفاده از GPU ها، ASIC ها و FPGA ها از جملة این روش‌‌‌‌‌‌هاست.

اما حالا، رقیب دیگری با ایده‌‌‌‌‌‌ای کاملاً متفاوت وارد میدان شده است: محاسبه با نور. شرکت Lightmatter، از زیرمجموعه‌‌‌‌‌‌های MIT، تراشه‌‌‌‌‌‌ای به اسم Mars طراحی کرده که از این تکنولوژی استفاده می‌‌‌‌‌‌کند. بخش اصلی این تراشه یک پردازندة نوری آنالوگ است که در انجام عملیات محاسباتی می‌‌‌‌‌‌تواند نه تنها از پردازنده‌‌‌‌‌‌های آنالوگ قدیمی همتای خودش، بلکه از برخی از این شتاب‌‌‌‌‌‌دهنده‌‌‌‌‌‌های دیجیتال هم مفیدتر باشد.


عملیات کلیدی در محاسبات شبکه‌‌‌‌‌‌های عصبی، ضرب ماتریسی است؛ یعنی ضرب‌‌‌‌‌‌ اعداد و جمع کردن حاصلشان با هم. جمع کردن به وسیلة نور به نظر کار بزرگی نیست چون با ترکیب پرتوهای نوری، امواج الکترومغناطیسی تشکیل‌‌‌‌‌‌دهندة آن‌‌‌‌‌‌ها با هم جمع می‌‌‌‌‌‌شوند؛ در واقع عملیات پیچیده‌‌‌‌‌‌تر، ضرب اعداد با استفاده از نور است. این کار به کمک نوعی از تداخل‌‌‌‌‌‌سنج‌‌‌‌‌‌ها (Interferometer) امکان‌‌‌‌‌‌پذیر است. این دستگاه، نور را به دو پرتو تقسیم می‌‌‌‌‌‌کند و پس از عبور دادنشان از دو مسیر مجزا، آن‌‌‌‌‌‌ها را با هم جمع می‌‌‌‌‌‌کند.

اگر دو پرتوی نور مسیر یکسانی را طی کنند، خروجی دقیقاً مشابه ورودی خواهد بود ولی اگر یکی از پرتو‌‌‌‌‌‌ها مسیر طولانی‌‌‌‌‌‌تری را طی کند یا سرعتش کم‌‌‌‌‌‌تر شود، اختلاف فازی بین دو پرتو ایجاد می‌‌‌‌‌‌شود. در بیشترین حالت، دو پرتو می‌‌‌‌‌‌توانند ۱۸۰ درجه اختلاف فاز داشته باشند و خروجی‌‌‌‌‌‌را صفر کنند. به طور کلی، دامنة میدان موج خروجی برابر حاصل‌‌‌‌‌‌ ضرب دامنة موج ورودی در کسینوس نصف اختلاف فاز دو موج ا‌‌‌‌‌‌ست. اگر بتوانیم این اختلاف فاز را کنترل کنیم، یک ضرب‌‌‌‌‌‌کنندة نوری خواهیم داشت.

تراشة Mars بر مبنای دستگاه‌‌‌‌‌‌تداخل‌‌‌‌‌‌سنج ماخ-زندر که در دهة ۱۸۹۰ توسط لودویگ ماخ و لودویگ زندر اختراع شده کار می‌‌‌‌‌‌کند اما چالش اصلی، کوچک کردن این دستگاه در حد نانومتر و مجتمع کردن تعداد زیادی از آن‌‌‌‌‌‌ها درون یک تراشه ا‌‌‌‌‌‌ست. تداخل‌‌‌‌‌‌سنج‌‌‌‌‌‌ها در این پردازنده به وسیلة موج‌‌‌‌‌‌بر(waveguide)هایی کوچک پیاده‌‌‌‌‌‌سازی شد‌‌‌‌‌‌ه‌‌‌‌‌‌اندکه ضریب شکست آن‌‌‌‌‌‌ها وابسته به میدان الکتریکی اعمال شده به آن‌‌‌‌‌‌هاست. به این ترتیب می‌‌‌‌‌‌توان اختلاف فاز دو پرتوی نور را با ایجاد یک میدان الکتریکی توسط اعمال ولتاژ، مشابه عملکرد خازن‌‌‌‌‌‌ها، کنترل کرد.

استفاده از این فناوری، مزیت دیگری هم به جز سرعت پردازش بالا دارد. همانند خازن‌‌‌‌‌‌ها که فقط هنگام شارژ شدن جریان می‌‌‌‌‌‌کشند، در تداخل‌‌‌‌‌‌سنج‌‌‌‌‌‌ها هم تنها موقع تجمع بارها جریان وجود دارد؛ یعنی فقط هنگام تعیین مقادیر ولتاژ(ضرایب) انرژی مصرف می‌‌‌‌‌‌شود. به علاوه، گذر نور از موج‌‌‌‌‌‌برها هم اتلاف چندانی ندارد. بنابراین سیستمی با بازده بالا داریم که با سرعت نور پردازش انجام می‌‌‌‌‌‌دهد.

البته این تراشه، مشابه همة پردازنده‌‌‌‌‌‌های آنالوگ، معایبی هم دارد. یکی از این معایب، محدودیت دقت محاسبات است؛ زیرا در آن‌‌‌‌‌‌ها برخلاف پردازنده‌‌‌‌‌‌های دیجیتال نمی‌‌‌‌‌‌توان به سادگی ارقام را با دقت دلخواه پردازش کرد. خوشبختانه محاسبات شبکه‌‌‌‌‌‌های عصبی در مرحلة استنتاج (بعد از آموزش دادن (training) شبکه) نیاز به دقت بالایی ندارند؛ اما آموزش دادن شبکه‌‌‌‌‌‌ها چرا. به گفتة مدیر عامل شرکت، ازآن‌‌‌‌‌‌جا که آموزش دادن نیازمند بازة دینامیک بیشتری است، تمرکز اصلی شرکت روی مرحلة استنتاج است اما تراشة Mars در حال حاضر هم دقتی معادل یک سیستم ۸ بیتی دارد.

شاید فکر کنید این قطعه هنوز یک نمونة اولیة آزمایشگاهی است؛ ولی شرکت Lightmatter در حال آماده‌‌‌‌‌‌سازی یک محصول کاربردی است که به راحتی قابل اضافه شدن به مادربردهای دارای PCI Express Slot باشد. به علاوه، آن‌‌‌‌‌‌ها نه تنها سخت افزار، بلکه نرم‌‌‌‌‌‌افزار مورد نیاز آن را به گونه‌‌‌‌‌‌ای توسعه داده‌‌‌‌‌‌اند تا به وسیلة قالب‌‌‌‌‌‌های کاری متداول مثل TensorFlow و PyTorch نیز قابل استفاده باشد. همچنین از آنجا که ابعاد قطعات نانوفوتونیک به کار رفته در این تراشه لازم نیست در حد ساختارهای الکترونیکی بسیار کوچک موجود باشد، قیمت آن چندان بالا نبوده و قابل رقابت با GPU‌‌‌‌‌‌ها خواهد بود. همچنین انتظار می‌‌‌‌‌‌رود این محصول تا اواخر سال ۲۰۲۱ وارد بازار شود.

https://medium.com/lightmatter/optical-components-for-matrix-processing-73687cdd7aa6

https://spectrum.ieee.org/tech-talk/semiconductors/optoelectronics/lightmatter-mars-photonic-chip-neural-network-calculations-speed-of-light

۰
۰
نشریهٔ بارقه
نشریهٔ بارقه
نشریۀ انجمن علمی-فرهنگی دانشکدۀ مهندسی برق دانشگاه صنعتی شریف (رسانا)
شاید از این پست‌ها خوشتان بیاید