7 Minutės
Kinijos mokslininkai teigia sukūrę naują fotoninių dirbtinio intelekto (AI) lustų klasę, kuri žymiai pagreitina tam tikrus mašininio mokymosi darbus — kai kuriuose bandymuose skelbiama daugiau nei 100× didesnė sparta lyginant su tradicinėmis GPU kartu sunaudojant gerokai mažiau energijos. Tai nėra „vienas prie vieno“ pakeitimas bendros paskirties akceleratoriams, tačiau tokie fotoniniai procesoriai gali iš esmės pakeisti požiūrį į vaizdų, vaizdo ir kompiuterinio matymo uždavinių apdorojimą, pasiūlydami naujus energijos efektyvumo ir pralaidumo standartus.
Kas yra šie fotoniniai AI lustai?
Iš Kinijos universitetų tyrimų grupių pasirodė du ryškūs prototipai, kurie traukia dėmesį dėl architektūrinių sprendimų ir gautų rezultatų. Pirmasis — ACCEL, sukurtas Tsinghua universitete — tai hibridinis dizainas, derinantis fotoninius elementus su analoginiais elektroniniais grandynais. Naudojant SMIC gamybos procesus, komanda teigia, kad ACCEL tam tikrose analoginėse užduotyse pasiekia apie 4,6 petaflopų ekvivalentą, o energijos sąnaudos yra tik dalis to, ką reikalauja įprastos GPU platformos. Tai leidžia manyti, jog fotoninė-elektroninė integracija gali suteikti didelį pranašumą matricų skaičiavimų ir konvoliucinių operacijų skyriuose.
Antrasis projektas — LightGen, kurį įgyvendino Shanghai Jiao Tong kartu su Tsinghua — yra visiškai optinis lustas, talpinantis daugiau nei du milijonus „fotoninių neuronų“. Tyrėjų teigimu, LightGen pasižymi ženkliu greičio ir efektyvumo prieaugiu specifinėse užduotyse, tokiose kaip vaizdų generavimas (generatyvinis AI), stilizavimas (style transfer), triukšmo šalinimas (denoising) ir 3D vaizdų apdorojimas. Vis dėlto tiek ACCEL, tiek LightGen demonstruoja, kad optimizuoti fotoniniai tinklai gali vykdyti masyvius matricų veiksmus paraleliai, naudojant optinę interferenciją ir analogines transformacijas, o tai suteikia labai aukštą pralaidumą ir mažą energijos sąnaudos vienam operacijos elementui.
Kodėl fotonika gali aplenkti elektronus kai kuriuose AI uždaviniuose
Šiuolaikinės GPU architektūros, pavyzdžiui, Nvidia A100, remiasi elektronų tėkme per milijardus tranzistorių. Toks požiūris puikiai tinka žingsnis po žingsnio vykdomiems skaičiavimams ir lankstiam programavimui, tačiau jis taip pat atneša dideles energijos sąnaudas, reikšmingą šilumos išskyrimą ir stiprią priklausomybę nuo pažangių gamybos mazgų. Dėl to daugeliu atvejų energijos efektyvumas ir mastelio koeficientas tampa limituojančiais faktoriais, ypač vaizdo apdorojimo ir realaus laiko spartos reikalaujančiose sistemose.
Fotoniniai lustai, priešingai, skaičiuoja su šviesa. Jie atlieka operacijas per optinę interferenciją, fazinį ar amplitudės kodavimą ir analogines transformacijas, leidžiančias vykdyti tam tikrus matematinius veiksmus masiškai ir lygiagrečiai, praktiškai šviesos greičiu. Tokia architektūra ypač tinkama iš anksto apibrėžtoms, matricoms intensyvioms užduotims, kur dauguma darbo yra tiesinės algebrai: matricų‑vektorių dauginimui, konvoliucijoms, filtravimui ir pan. Be to, optinius elementus kartais galima gaminti platesniu, brandesniu gamybos procesu, todėl potencialiai sumažėja kaštai ir padidėja pralaidumas gamybos grandinėje.
Techniniai fotonikos pranašumai apima WDM (wave‑division multiplexing) galimybes, mažą latenciją per didelio pralaidumo kanalus ir natūralų lygiagretumą. Tačiau yra svarbių kompromisų: fotoniniai sprendimai paprastai veikia analogiškai, todėl tikslumas (bitų skaičius), triukšmo tolerancija, dinaminis diapazonas ir kalibracijos poreikis yra reikšmingos problemos. Be to, reikia efektyvių fotoninių‑elektroninių sąsajų (DAC/ADC, valdymo elektronika), kad optiniai blokai būtų integruoti į platesnes sistemų architektūras. Visgi dominuojančios srities — matricos užduotys vaizdų apdorojimui ir generatyviniam AI — gali gauti didžiausią naudą iš šio požiūrio.
Tikri pranašumai — bet siaurame taikymo lauke
Pranešimai rodo, jog ACCEL ir LightGen reikšmingai lenkia įprastas GPU platformas tam tikruose testuose, kurie yra susiję su kompiuteriniu matymu, vaizdų generavimu ir kitos generatyvinės užduotimis. Tačiau tyrėjai nuosekliai pabrėžia ribotumus: šie fotoniniai procesoriai atlieka iš anksto apibrėžtas analogines operacijas ir nėra skirti bendrojo kodo vykdymui, sudėtingam valdymui ar atminties intensyvioms operacijoms. Kitaip tariant, tai specializuoti akceleratoriai, o ne universalių GPU pakaitalai.
- Privalumai: Išskirtinai greiti matricų ir konvoliucinių operacijų atvejais, gerokai mažesnės energijos sąnaudos vienai operacijai, bei didelis potencialas vaizdų, vaizdo ir kompiuterinio matymo duomenų srautams.
- Ribotumai: Prastas pritaikomumas bendro pobūdžio skaičiavimams, ribotos programavimo galimybės, sudėtingesnis atminties valdymas ir analoginio tikslumo iššūkiai.
Realybėje tai reiškia, jog fotoniniai lustai gali būti itin vertingi kaip komponentas paskirstytose ar hibridinėse sistemose — pavyzdžiui, kaip greitosios „perdavimo“ arba „prefiltro“ stotys dideliems vaizdo srautams, tačiau jie nesugeba visiškai pakeisti GPU funkcionalumo, kai reikia kompleksiškų loginių operacijų, dinaminio resurso paskirstymo ar didele atmintimi grįstų mokymo procesų.
Ką tai reiškia AI aparatūrai
Įsivaizduokime AI apdorojimo grandines, kuriose didžiausią skaičiavimo apkrovą vaizdų srityje perima mažos galios fotoniniai moduliai, tuo tarpu GPU lieka atsakingi už lankstų mokymą, atminties valdymą ir platesnį programavimo palaikymą. Toks hibridinis požiūris gali reikšmingai sumažinti energijos sąnaudas, palengvinti realaus laiko taikymus ir padidinti perdirbimo pralaidumą vaizdo įrašams — naudinga tiek debesijos vaizdo apdorojimo fermoms, tiek įrenginių (edge) sprendimams, kur baterijos ir šilumos valdymas yra kritiniai.
Svarbu pažymėti, kad minėti Kinijos tyrimų rezultatai buvo publikuoti žurnale Science, kas suteikia akademinį patikimumą ir patvirtina, jog eksperimentai atitiko mokslinius leidimo reikalavimus. Vis dėlto kelias nuo laboratorinio prototipo iki masinės gamybos yra ilgas: reikalinga integracija su egzistuojančiu aparatinės įrangos ekosistemos sluoksniu, investicijos į pakavimą ir lygiagrečiai gamybos procesų optimizacija, bei programavimo modelių ir įrankių kūrimas, leidžiantis programuotojams žemame lygyje išnaudoti fotoninius akceleratorius.
Kokie yra pagrindiniai praktiniai iššūkiai? Integracija: reikės patikimų fotoninių‑elektroninių sąsajų, mažos valiacijos skaitmeninių‑analoginių keitiklių (DAC/ADC) ir automatizuotų kalibracijos procedūrų. Kaina ir išeiga: fotonikos komponentų gamyba ir pakavimas, ypač didelio pralaidumo sistemoms, gali būti brangi ir reikalauti naujų tiekimo grandinių. Programavimo modeliai: reikalingi API, bibliotekos ir kompilatoriai, kurie pavers aukšto lygio modelių operacijas į optimizuotas fotonines kernelių sekas. Ekosistema: gamintojai, paslaugų teikėjai ir mokslininkai turi bendradarbiauti su standartų kūrėjais, kad išvengtų užrakinimo rizikos ir užtikrintų plačią palaikymo bazę.
Ar pramonė turėtų panikuoti? Kol kas — ne. Fotoniniai AI lustai labiau panašūs į papildomus akceleratorius specifinėse srityse, ypač vaizdų apdorojime ir generatyviniuose tinkluose, nei į universalius GPU pakeitimus. Tačiau įmonėms, kurios orientuojasi į vizualinį AI ir siekia mažinti energijos sąnaudas bei didinti realaus laiko pralaidumą, šie pasiekimai yra reikšmingi ir verta juos atidžiai sekti. Ateityje galime išvysti specializuotas fotonikos plokštes vaizdo transkodavimo fermoms, hibridines debesijos paslaugas arba spartesnę on‑device inferenciją įrenginiuose, kur šilumos valdymas ir energijos taupymas yra esminiai reikalavimai.
Galiausiai, daug kas priklausys nuo to, kaip greitai bus sprendžiami analoginės skaičiavimo tikslumo, programavimo įrankių ir masinės gamybos klausimai. Kol kas fotoniniai lustai atrodo kaip strateginis papildinys GPU ekosistemai: jie gali suteikti svarbių pranašumų vaizdo apdorojimo, generatyvinio AI ir kitose matricų intensyviose srityse, bet nebus vienintelė ar universali technologija ateinančiais metais.
Šaltinis: smarti
Komentarai
Marius
Ar tikrai? Science publikuota, tai rimta, bet nuo labo iki masinės gamybos dar ilgas kelias. kas darys pakavimą, standartus ir įrankius? skeptiškai žiūriu.
atombanga
wow, neblogai - 100× spartesnis? jei tai tikrai realiam sraute veiktų, būtų revoliucija. bet man visada kliūna analoginis tikslumas, DAC/ADC ir kalibracija...
Palikite komentarą