Машины могут учиться без присмотра “со скоростью света” после прорыва искусственного интеллекта, говорят ученые

Производительность фотонного нейросетевого процессора в 100 раз выше, чем электрического процессора

Исследователи добились прорыва в развитии искусственного интеллекта, используя свет вместо электричества для выполнения вычислений.

Новый подход значительно повышает как скорость, так и эффективность машинного обучения нейронных сетей – формы искусственного интеллекта, которая направлена на воспроизведение функций, выполняемых человеческим мозгом, чтобы научить себя задаче без надзора.

Современные процессоры, используемые для машинного обучения, ограничены в выполнении сложных операций мощностью, необходимой для обработки данных. Чем умнее задача, тем сложнее данные и, следовательно, тем больше требуется энергии.

Такие сети также ограничены медленной передачей электронных данных между процессором и памятью.

Исследователи из Университета Джорджа Вашингтона в США обнаружили, что использование фотонов в нейронных сетевых (тензорных) процессорах (ТПУ) может преодолеть эти ограничения и создать более мощный и энергоэффективный ИИ.Статья с описанием исследований, опубликованная сегодня в научном журнале Applied Physics Reviews , показывает, что их фотонный ТПУ был способен выполнять на 2-3 порядка больше, чем электрический ТПУ.

“Мы обнаружили, что интегрированные фотонные платформы, интегрирующие эффективную оптическую память, могут выполнять те же операции, что и тензорный процессор, но они потребляют часть мощности и имеют более высокую пропускную способность”, - сказал Марио Мискульо, один из авторов статьи.

“При соответствующей подготовке [платформы] могут быть использованы для выполнения интерференции со скоростью света.”

Потенциальные коммерческие приложения для инновационного процессора включают сети 5G и 6G, а также центры обработки данных, которым поручено выполнять огромные объемы обработки данных.

Доктор Мискульо сказал: "фотонные специализированные процессоры могут сэкономить огромное количество энергии, улучшить время отклика и сократить трафик центров обработки данных."

Источник ai-news

guest
0 комментариев
Межтекстовые Отзывы
Посмотреть все комментарии