6 Minutit
Hiina teadlased väidavad, et nad on arendanud uue klassi fotonilisi (valguspõhiseid) AI-kiipe, mis kiirendavad oluliselt teatud masinõppe ülesandeid — mõnel juhul väidetavalt üle 100× tavapäraste GPU-dega võrreldes ja oluliselt madalama energiatarbimisega. Need seadmed ei ole universaalsed asendused olemasolevatele aktseleratsioonikaartidele, kuid nad võivad muuta seda, kuidas käsitletakse pildi-, video- ja arvutinägemise töökoormusi ning optilise arvutuse integreerimist tehisintellekti riistvarasse.
Mis on need fotonilised AI-kiibid?
Kaks silmapaistvat prototüüpi on ilmunud tipptasemel Hiina ülikoolidest. ACCEL, mille on välja töötanud Tsinghua Ülikool, on hübriidne lahendus, mis kombineerib fotonilisi komponente analoogelektroonikaga. SMIC-i (Semiconductor Manufacturing International Corporation) protsesside abil toodetud ACCEL-i meeskond teatab, et kiip suudab teatud analoogkoormuste puhul saavutada umbes 4,6 petaflopsi efektiivsust, kuigi reaalses kasutuses mõõdetav sooritus võib sõltuda ülesannetest ja mõõtmismetoodikast. Oluline on rõhutada, et sellised kõrgväärtused viitavad sageli spetsialiseeritud maatriks- ja konvolutsioonilistele operatsioonidele, mitte üldisele arvutustõhususele.
Teine projekt, LightGen — koostöö Shanghai Jiao Tong ja Tsinghua vahel — on täielikult optiline kiip, mis mahutab rohkem kui kaks miljonit nii-öelda "fotoni neuronit". Uurijate sõnul toob LightGen märkimisväärseid kiiruse ja energiatõhususe hüvesid kitsalt määratletud ülesannetes, nagu pildi genereerimine, stiilisiirdamine (style transfer), müraisolatsioon (denoising) ja 3D-pilditöötlus. LightGen on näide sellest, kuidas optiline arhitektuur võib ülesandeid paralleelselt ja väga suure ribalaiusega töödelda.
Need projektid rõhutavad, et fotonilised kiibid on kavandatud spetsiifilisteks algoritmideks ja töövoogudeks: nad ei pruugi sobida üldotstarbeliseks arvutamiseks, kuid nende tugevus seisneb optimeeritud, maatriksitele ja lineaaralgebra transformatsioonidele keskendunud operatsioonides. Sellised erilahendused on eriti huvitavad ettevõtetele ja uurimisrühmadele, kes töötavad visuaalse AI, generatiivsete mudelite ja reaalajas pilditöötlusega.
Miks võivad fotonika põhineda kiibid mõnes AI-töös elektronidest ette jääda?
Tänapäevased GPU-d, nagu Nvidia A100, tuginevad elektronide voo juhtimisele läbi miljardite transistoride. Selline arhitektuur on suurepärane samm‑haaval täitmiseks, mitmekülgseks programmeeritavuseks ja laiaulatuslikuks lineaaralgebra arvutamiseks laias valikus rakendustes. Samas kaasneb sellega kõrge energiatarve, suur soojuse eraldumine ning sõltuvus arenenud tootmisprotsessidest (7 nm ja lähemal), mis suurendab tootmiskulusid ja mitmekesisuse riske.
Fotonilised kiibid töötavad seevastu valguse abil. Nad realiseerivad operatsioone optilise interferentsi ja analoogtransformatsioonide kaudu, mis võimaldavad teatud matemaatilisi operatsioone täita paralleelselt valguse kiirusel. See muudab need eriti kiirust ja energiatõhusust nõudvateks maatrikshäälestatud töödeks. Lisaks võivad optilised skeemid võimaldada madalama soojuse tekkega toimimist ja mõningatel juhtudel kasutada toodanguks vanemaid, stabiilsemaid pooljuhtprotsesse, näiteks SMIC-i olemasolevaid vooge, mis võib parandada tootmise kättesaadavust ja vähendada kulusid võrreldes tipptasemel CMOS-node'itega.
Optiline arvutus ei ole siiski imerohi: see toetub analoogsignaalide töötlemisele, mida mõjutavad muuhulgas müra, kanalite varieeruvus ja fotoni‑elektroonilise liidese piirangud (näiteks fotodetektorite tundlikkus ja ADC/DAC-üksuste täpsus). Sellest tulenevalt on fotonilised lahendused eriti tugevad, kui ülesanded on hästi ette määratletud, stabiilsed ja ei nõua suurt üldist programmeeritavust või intensiivset digitaalset mälukasutust.
Tõelised edud — kuid kitsas rakendusala
Aruannete järgi ületavad ACCEL ja LightGen tavapäraseid GPU-sid suurte marginaalidega spetsiifilistes võrdlustestides, mis on seotud nägemise ja generatiivsete töödega. Samas rõhutavad autorid oma publikatsioonides piiranguid: need fotonilised protsessorid täidavad eelmääratletud analoogarvutusi ja ei sobi üldiseks koodi täitmiseks ega mälumahukateks operatsioonideks. Lihtsamalt öeldes on need spetsialiseeritud kiirendid, mitte universaalsed GPU-asendused.
- Tugevused: Äärmiselt kiired maatriks- ja konvolutsioonilaadsetes operatsioonides, oluliselt madalam energiakulu ühe operatsiooni kohta ning suur potentsiaal pildi-/video-/nägemistöövoogude kiirendamisel ja energiasäästlikkuse parandamisel.
- Piirangud: Vähem sobivad üldotstarbeliste tööde jaoks, piiratud programmeeritavus ja mäluhalduse kitsendused; tundlikkus analoogvead ja süsteemi kalibreerimisvajadused võivad piirata mitmekülgsust.
Mida see tähendab AI-riistvarale?
Kujutage ette AI-töötlemisvoolu, kus kõige raskemad visuaalsed ülesanded suunatakse vähese energiatarbega fotonilistele sõlmedele, samal ajal kui GPU-d ja FPGA-d tegelevad paindliku treeningu, mäluhalduse ja üldiste töödega. Selline hübriidne arhitektuur võib vähendada energiakulusid, kiirendada reaalajas rakendusi nagu seadmes toimiv inferents (on-device inference), videoprichingu tööstuslikud farmid ning teatud generatiivsed teenused, kus latentsruumi teisendused ja maatriksioperatsioonid on dominantseks kitsaskohaks.
Praktiline juurutamine eeldab mitme komponendi edukat integreerimist: fotonilised kiibid peavad suhtlema digitaalsete süsteemidega, olemasolevad tarkvaralised raamistikud — nagu PyTorch ja TensorFlow — vajavad pluginaid või kompilaatorit, mis suudab tuua optimeeritud analoogoperatsioonid osana suuremast mudelist. Lisaks on oluline arendada testimis- ja valideerimismeetodeid, et mõõta fotoniliste kiipide reaalset sooritust ja usaldusväärsust tootmiskeskkonnas.
Oluline on ka teadusliku valideerimise aspekt: Hiina meeskonnad avaldasid oma tulemused ajakirjas Science, mis annab akadeemilist tugevust nende väidetele ja võimaldab sõltumatut reproduktsiooni. Ent laborist tööstuseni jõudmine nõuab täiendavat tööd: integreerimine serveriarhitektuuride, tootmiskulude vähendamine, programmitööriistade loomine, riistvara- ja tarkvara ökosüsteemi arendamine ning standardite kujunemine on kõik teekonna kriitilised lülid.
Võtmeküsimused, millele ettevõtted ja uurimisrühmad peavad vastama, hõlmavad järgmisi teemasid: millised nägemise mudelid ja generatiivsed arhitektuurid sobivad optilise kiibi paradiismiga? Kui palju täpsust kaotatakse analoogtranstsentsioonide tulemusena ja kuidas see mõjutab lõppkasutuse kogemust? Kuidas tagada skaala ja usaldusväärsus, kui need kiibid paigaldatakse andmekeskuste või servarühmituste (edge clusters) infrastruktuuri?
Seetõttu ei ole tehastearhitektuurid veel kõikjal levinud — need näevad tõenäoliselt esialgu rakendust kitsastes, kõrge mahu ja korduvate visuaalsete operatsioonide vajadusega valdkondades, näiteks suuremahuliselt videoanalüüsi teenused, pilvepõhised generatiivsed mudelid, mis kasutavad optimeeritud konvolutsioonilisi või matriisil põhinevaid kiirmeetodeid, ning spetsiifilised servalahendused, kus energiatõhusus on kriitiline.
Kõige olulisem on arusaamine, et fotonilised kiibid potentsiaalselt täiendavad, mitte asendavad, olemasolevaid GPU‑põhiseid ökosüsteeme. Ettevõtted, kes arendavad või kasutavad visuaalset tehisintellekti suures mahus, peaksid jälgima fotonilise riistvara arengut, osalema standardite kujundamisel ja hindama potentsiaalset majanduslikku ja tehnilist mõju oma töövoogudele.
Lõppkokkuvõttes ei ole tarvis kogu tööstusel paanikasse sattuda: fotonilised AI-kiibid näivad olevat suunatud GPU-de kõrval kasutamiseks konkreetsetes domeenides, kus optilise arvutuse omadused annavad selge eelise. Kuid visuaalse AI, pilditöötluse ja optilise arvutuse kombinatsioon võib lähiaastatel tuua uusi arhitektuure, mis parandavad energiatõhusust ja suurendavad reaalajas töötlemise võimekust.
Allikas: smarti
Jäta kommentaar