В MIT разработали модульный оптический чип с возможностью лёгкой замены отдельных частей

Инженеры Массачусетского технологического института (MIT) разработали модульный компьютерный чип с компонентами, которые могут обмениваться данными с помощью вспышек света. Это может позволить использовать электронику, которую можно легко модернизировать с помощью новых датчиков или процессоров, а не заменять весь чип.

Рынок электроники дошел до того, что многие потребители каждый год хотят менять смартфон на более новую, немного лучшую модель. Модернизация отдельных частей на самом деле не вариант для многих устройств, требующих замены всего устройства.

Модульность может иметь большое значение, позволяя пользователям обмениваться новыми или улучшенными функциями, такими как батареи большего размера или модернизированные камеры. Итак, в новом исследовании ученые продемонстрировала этот подход в рамках одного компьютерного чипа.

Модульный чип состоит из многоуровневых компонентов, таких как искусственный интеллект, процессоры и датчики, которые можно объединять или заменять, чтобы создать чип для выполнения определенных функций по мере необходимости или обновить его по мере появления новых технологий.

«Вы можете добавить столько вычислительных слоев и датчиков, сколько захотите, например, для света, давления и даже запаха», — говорит Джихун Кан, автор исследования.

«Мы называем это реконфигурируемым ИИ-чипом, подобным LEGO, потому что он имеет неограниченные возможности расширения в зависимости от комбинации слоев».

Но, пожалуй, больше всего впечатляет то, как слои этого чипа взаимодействуют друг с другом. Модульная электроника сталкивается с проблемой быстрой и простой связи новых и старых компонентов друг с другом. Однако чип MIT использует вспышки света для передачи информации между слоями.

Команда оснастила каждый многоуровневый компонент чипа светодиодами и фотодетекторами, которые совпадают с таковыми у следующего компонента. Когда одной части необходимо связаться с другой, она мигает своими светодиодными пикселями по определенной схеме, которая кодирует данные, которые могут интерпретировать фотодетекторы принимающего слоя.

Чтобы продемонстрировать эту конструкцию, ученые создали микросхему площадью 4 мм2 состоящую из трех вычислительных слоев. Каждый слой содержал датчик изображения, систему оптической связи и искусственный массив синапсов, предназначенный для распознавания определенной буквы — М, I или Т.

Чтобы проверить это, исследователи подвергли чип распознаванию пиксельных изображений случайных букв, а затем измерили силу электрического тока, который производил каждый массив в ответ. Чем сильнее ток, тем лучше массив распознавал букву.

Используя этот процесс, команда обнаружила, что чип может очень хорошо классифицировать изображения букв, на которых он был обучен, если изображения были четкими, но менее хорошо — размытыми. Чтобы продемонстрировать модульность чипа, инженеры вставили в него «шумоподавляющий» процессор, который мог лучше справляться с размытыми изображениями, и, конечно же, улучшилось распознавание букв чипом.

«Мы продемонстрировали стекируемость, заменяемость и возможность вставлять в чип новую функцию», — сказал Мин-Кью Сонг, автор исследования.

Команда планирует применить эту технику к «периферийным вычислительным устройствам», которые представляют собой небольшие специализированные датчики для Интернета вещей.

Исследование было опубликовано в журнале Nature Electronics.

Инженеры Массачусетского технологического института (MIT) разработали модульный компьютерный чип, компоненты которого взаимодействуют друг с другом с помощью импульсов света. В перспективе это позволит легко модернизировать электронику с помощью новых сенсоров или процессоров, не меняя чипы полностью. Модульный чип может быть изготовлен из многочисленных компонентов, включая процессоры, контроллеры и сенсоры, которые можно компоновать под нужды конкретного технического решения или заменять в случае появления новой технологии. По словам одного из авторов исследования Чихун Кана (Jihoon Kang), команда исследователей называет новое решение перестраиваемым LEGO-подобным ИИ-чипом, поскольку тот имеет практически неограниченный потенциал масштабирования в зависимости от комбинации слоёв.

smimage750jpg

Возможно, наиболее необычным является то, как именно компоненты взаимодействуют друг с другом. Если нынешние электрические модульные системы обычно имеют проблемы с организацией быстрого и простого взаимодействия, то чип MIT использует импульсы света для передачи информации между каждым из слоёв. Каждый слой чипа оснащён LED-элементами и фотодетектором, совпадающими с соответствующими элементами следующего слоя. Когда одна из частей должна вступить в контакт с другой, LED-пиксели генерируют закодированный световой сигнал, который могут интерпретировать фотодетекторы следующего слоя. Для демонстрации принципа работы команда создала чип размером 4 мм2, состоящий из трёх вычислительных слоёв, каждый из которых имел датчик изображений, оптическую коммуникационную систему и искусственную цепочку «синапсов», способную различать буквы M, I или T.

Для тестирования учёные демонстрировали системе изображения произвольных букв и выяснилось, что менее размытые изображения распознавались намного лучше. Для демонстрации модульности учёные использовали вычислительный слой, способный повышать качество распознавания изображений, после чего качество работы заметно выросло. Таким образом была продемонстрирована возможность «штабелирования», замены элементов и добавления новых функций уже имеющейся системе. Команда рассматривает различные способы применения технологии — ожидается, что пользователи смогут создавать системы под свои запросы или менять устаревшее оборудование на новое.

Последние новости:  Что выбрать: мультиварку или аэрогриль?

Системы глубокого обучения, основанные на имитации накопления знаний искусственными нейронными сетями, получили возможность усваивать информацию значительно быстрее и эффективнее. Совместная команда исследователей из Массачусетского технологического института (MIT) и других стран разработала новый подход к обучению с использованием света вместо электричества. Результаты их исследований были описаны 12 июня в журнале Nature Photonics научным сотрудником MIT Йиченом Шеном (Yichen Shen), аспирантом Николасом Харрисом (Nicholas Harris), профессорами Марином Солжачиком (Marin Soljacic) и Дирком Энглундом (Dirk Englund).

фото Bill Benzon CC

Традиционные типы компьютерной архитектуры не очень эффективны в части важных для нейронной сети вычислений — многократного умножения матриц. Команда MIT придумала эффективный способ выполнения этих операций на оптической основе. При этом настроенный чип, по словам профессора Солжачика, имеет практическое применение в отличие от других фотонных концептов.

Например, похожую работу проводила команда ученых под руководством Александра Тейта (Alexander Tait) из Принстонского университета в Нью-Джерси. Тогда исследователям удалось создать первую фотонную нейронную сеть, в которой нейроны представлены световыми волноводами.

Разработка из MIT, по словам ученых, позволяет мгновенно производить матричное умножение без больших затрат энергии. Некоторые преобразования света, например, фокусирование линзой, можно рассматривать как вычисления. Новый подход фотонных чипов задействует множество световых лучей, направленных таким образом, что их волны взаимодействуют друг с другом. Это создает интерференционные структуры, которые передают результат запланированной операции.

Схема фотонного чипа для глубокого обучения

Йичен Шен утверждает, что чипы с такой архитектурой смогут выполнять вычисления, осуществляемые типичными алгоритмами искусственного интеллекта, намного быстрее и с использованием менее одной тысячной энергии на операцию в сравнении с обычными электронными микросхемами.

Результат исследования ученые именуют «программируемым нанофотонным процессором». Он оснащен набором волноводов, связи между которыми могут быть изменены по мере необходимости для конкретного вычисления. Николас Харрис объясняет, что возможна настройка под любую матричную операцию.

Для выполнения расчетов традиционный компьютер кодирует информацию в несколько световых лучей, которые проходят через ряд узлов. Здесь оптический элемент, называемый интерферометром Маха — Цендера, меняет свойства проходящих лучей — это представляет собой эквивалент матричного умножения. Далее свет проходит через ряд аттенюаторов, слегка приглушающих интенсивность света.

Эти процессы обеспечивают обучение оптической нейронной сети. Однако для поддержания ее в обученном состоянии все же требуется подача небольшого количества энергии. Авторы исследования указывают, что у них есть решение, позволяющее чипу поддерживать свое состояние, не затрачивая энергию. Если это сработает, то единственными потребителями энергии станут лазер — источник световых лучей — и компьютер, который кодирует информацию.

Чтобы продемонстрировать работу системы, команда использовала фотонный чип для распознавания четырех основных гласных звуков. Даже в самом примитивном исполнении система обеспечила уровень точности в 77% по сравнению 90% в случае с традиционными моделями. Солжачик не видит препятствий для совершенствования системы.

Дирк Энглунд считает, что программируемый нанофотонный процессор команды MIT может быть применим в обработке сигналов для передачи данных. Разработка исследовательской группы, по его мнению, способна справляться с задачей преобразования сигнала в цифровую форму быстрее конкурентов, так как свет по своей сути является аналоговой средой.

Возможными прикладными областями использования технологии команда называет обслуживание дата-центров или систем безопасности, а также применение в строении беспилотных транспортных средств. Но, так или иначе, до массового распространения потребуется гораздо больше усилий и времени, чем уже было затрачено на первичную разработку технологии.

Джон Тиммер (John Timmer), научный редактор Ars Technica, утверждает, что у концепции есть ряд существенных ограничений. Главное из них — размер оптических микросхем: для решения ряда коммерческих задач, их нужно делать или большими, или пропускать через них свет несколько раз. В последнем случае нужно будет разработать грамотный алгоритм для вычислений. Из-за этого в контексте более сложных операций может быть потеряна большая часть заявленных преимуществ, однако если исследователи смогут преодолеть препятствия, а также повысить точность обучения, система, по мнению Тиммера, сможет поддерживать глубокое обучение, используя в 100 тыс. раз меньше энергии, чем традиционные GPU.

Последние новости:  Обзор игрового Full HD-монитора ASUS ROG Swift PG258Q: в мгновение ока

P.S. Несколько других интересных материалов из Первого блога о корпоративном IaaS:

Инженеры Массачусетского технологического института сделали важный шаг к «модульному» видению высокотехнологичных устройств будущего, создав похожий на LEGO дизайн для штабелируемого реконфигурируемого чипа искусственного интеллекта. Конструкция включает чередующиеся слои чувствительных и обрабатывающих элементов, а также светоизлучающие диоды (LED), которые обеспечивают оптическую связь между слоями чипа.

В традиционных конструкциях модульных микросхем для передачи сигналов между уровнями используется обычная проводка. Такие соединения трудно, если вообще возможно, разорвать и перемонтировать, что делает такие наращиваемые конструкции нереконфигурируемыми.

В новой конструкции MIT для передачи информации через чип используется свет, а не физические провода. Таким образом, чип можно реконфигурировать, заменяя слои или накладывая их друг на друга, например, для добавления новых датчиков или обновленных процессоров.

«Вы можете добавить столько вычислительных уровней и датчиков, сколько захотите, например, для света, давления и даже запаха. Мы называем это реконфигурируемым ИИ-чипом, подобным LEGO, потому что он имеет неограниченные возможности расширения в зависимости от комбинации слоев», – пояснил постдоктор MIT Джихун Кан.

Исследователи стремятся применить этот дизайн к периферийным вычислительным устройствам – самодостаточным датчикам и другой электронике, которая работает независимо от любых центральных или распределенных ресурсов, таких как суперкомпьютеры или облачные вычисления.

«По мере того, как мы вступаем в эпоху Интернета вещей, основанного на сенсорных сетях, спрос на многофункциональные устройства для периферийных вычислений будет резко расти. Предлагаемая нами аппаратная архитектура обеспечит высокую универсальность граничных вычислений в будущем», отметил Джихван Ким, доцент кафедры машиностроения MIT.

Дизайн команды MIT в настоящее время сконфигурирован для выполнения основных задач распознавания изображений. Он делает это с помощью наслоения датчиков изображения, светодиодов и процессоров, сделанных из искусственных синапсов — массивов резисторов памяти («мемристоров»), которые вместе функционируют как физическая нейронная сеть. Каждый массив можно обучить обрабатывать и классифицировать сигналы непосредственно на чипе, без необходимости использования внешнего программного обеспечения или подключения к Интернету.

В своей новой конструкции чипа исследователи соединили датчики изображения с искусственными массивами синапсов, каждый из которых они научили распознавать определенные буквы. В то время как обычный подход заключался бы в передаче сигналов датчика на процессор через физические провода, здесь используется оптическая система между каждым датчиком и массивом, не требующая физического соединения.

Система оптической связи состоит из парных фотодетекторов и светодиодов, каждый из которых имеет крошечные пиксели. Фотодетекторы представляют собой датчик изображения для приема данных, а светодиоды служат для передачи данных на следующий слой. Когда сигнал (например, изображение буквы) достигает датчика изображения, световой рисунок изображения кодирует определенную конфигурацию светодиодных пикселей, которые, в свою очередь, стимулируют другой слой фотодетекторов вместе с искусственным массивом синапсов, который классифицирует сигнал на основе схемы и параметров входящего светодиодного света.

Команда MIT изготовила один тестовый чип с вычислительным ядром размером около 4 квадратных миллиметров. Он состоит из трех «блоков» распознавания изображений, каждый из которых включает датчик изображения, слой оптической связи и массив искусственных синапсов для классификации. Исследователи установили, что чип правильно классифицировал четкие изображения каждой буквы, но был менее способен различать размытые изображения, и в дальнейшем смогли усовершенствовать слой обработки чипа для более точной идентификации.

Исследователи планируют добавить в чип дополнительные возможности распознавания и обработки, и они предполагают, что приложения будут безграничными. Наиболее перспективная идея видится ими в модульных чипах, встроенных в электронику, которые потребители могут выбрать для сборки с новейшими датчиками и процессорными «кирпичиками».

«Мы можем сделать общую платформу для чипов. При этом каждый слой можно будет продавать отдельно, например, как сейчас это делается с видеоиграми. Это позволит клиенту выбирать из различных типов нейронных сетей то, что он хочет, и добавлять это к существующему чипу, действующему по принципу конструктора LEGO», – сказал Джихван Ким.

Результаты работы научной команды, в которую кроме специалистов MIT входят также сотрудники из Гарвардского университета (США), Университета Цинхуа и Чжэцзянского университета (КНР), опубликованы в Nature Electronics. Данное исследование было частично поддержано Министерством торговли, промышленности и энергетики Южной Кореи, Корейским институтом науки и технологий (KIST) и корпорацией Samsung.

Последние новости:  Система жидкостного охлаждения ROG Ryujin 360: и ты, ASUS?
Высокая производительность, Машинное обучение, Блог компании ИТ-ГРАД

Системы глубокого обучения, основанные на имитации накопления знаний искусственными нейронными сетями, получили возможность усваивать информацию значительно быстрее и эффективнее. Совместная команда исследователей из Массачусетского технологического института (MIT) и других стран разработала новый подход к обучению с использованием света вместо электричества. Результаты их исследований были описаны 12 июня в журнале Nature Photonics научным сотрудником MIT Йиченом Шеном (Yichen Shen), аспирантом Николасом Харрисом (Nicholas Harris), профессорами Марином Солжачиком (Marin Soljacic) и Дирком Энглундом (Dirk Englund).

фото Bill Benzon CC

Традиционные типы компьютерной архитектуры не очень эффективны в части важных для нейронной сети вычислений — многократного умножения матриц. Команда MIT придумала эффективный способ выполнения этих операций на оптической основе. При этом настроенный чип, по словам профессора Солжачика, имеет практическое применение в отличие от других фотонных концептов.

Например, похожую работу проводила команда ученых под руководством Александра Тейта (Alexander Tait) из Принстонского университета в Нью-Джерси. Тогда исследователям удалось создать первую фотонную нейронную сеть, в которой нейроны представлены световыми волноводами.

Разработка из MIT, по словам ученых, позволяет мгновенно производить матричное умножение без больших затрат энергии. Некоторые преобразования света, например, фокусирование линзой, можно рассматривать как вычисления. Новый подход фотонных чипов задействует множество световых лучей, направленных таким образом, что их волны взаимодействуют друг с другом. Это создает интерференционные структуры, которые передают результат запланированной операции.

Схема фотонного чипа для глубокого обучения

Йичен Шен утверждает, что чипы с такой архитектурой смогут выполнять вычисления, осуществляемые типичными алгоритмами искусственного интеллекта, намного быстрее и с использованием менее одной тысячной энергии на операцию в сравнении с обычными электронными микросхемами.

Результат исследования ученые именуют «программируемым нанофотонным процессором». Он оснащен набором волноводов, связи между которыми могут быть изменены по мере необходимости для конкретного вычисления. Николас Харрис объясняет, что возможна настройка под любую матричную операцию.

Для выполнения расчетов традиционный компьютер кодирует информацию в несколько световых лучей, которые проходят через ряд узлов. Здесь оптический элемент, называемый интерферометром Маха — Цендера, меняет свойства проходящих лучей — это представляет собой эквивалент матричного умножения. Далее свет проходит через ряд аттенюаторов, слегка приглушающих интенсивность света.

Эти процессы обеспечивают обучение оптической нейронной сети. Однако для поддержания ее в обученном состоянии все же требуется подача небольшого количества энергии. Авторы исследования указывают, что у них есть решение, позволяющее чипу поддерживать свое состояние, не затрачивая энергию. Если это сработает, то единственными потребителями энергии станут лазер — источник световых лучей — и компьютер, который кодирует информацию.

Чтобы продемонстрировать работу системы, команда использовала фотонный чип для распознавания четырех основных гласных звуков. Даже в самом примитивном исполнении система обеспечила уровень точности в 77% по сравнению 90% в случае с традиционными моделями. Солжачик не видит препятствий для совершенствования системы.

Дирк Энглунд считает, что программируемый нанофотонный процессор команды MIT может быть применим в обработке сигналов для передачи данных. Разработка исследовательской группы, по его мнению, способна справляться с задачей преобразования сигнала в цифровую форму быстрее конкурентов, так как свет по своей сути является аналоговой средой.

Возможными прикладными областями использования технологии команда называет обслуживание дата-центров или систем безопасности, а также применение в строении беспилотных транспортных средств. Но, так или иначе, до массового распространения потребуется гораздо больше усилий и времени, чем уже было затрачено на первичную разработку технологии.

Джон Тиммер (John Timmer), научный редактор Ars Technica, утверждает, что у концепции есть ряд существенных ограничений. Главное из них — размер оптических микросхем: для решения ряда коммерческих задач, их нужно делать или большими, или пропускать через них свет несколько раз. В последнем случае нужно будет разработать грамотный алгоритм для вычислений. Из-за этого в контексте более сложных операций может быть потеряна большая часть заявленных преимуществ, однако если исследователи смогут преодолеть препятствия, а также повысить точность обучения, система, по мнению Тиммера, сможет поддерживать глубокое обучение, используя в 100 тыс. раз меньше энергии, чем традиционные GPU.

P.S. Несколько других интересных материалов из Первого блога о корпоративном IaaS:

Оцените статью
( Пока оценок нет )