Yeni Fotonik Çip ile Makine Öğreniminde Devrim
Günümüz makine öğrenimi uygulamalarını destekleyen derin sinir ağı modelleri, o kadar büyük ve karmaşık hale geldi ki geleneksel elektronik bilgisayar donanımlarının sınırlarını zorlamaya başladı.
Fotonic donanım, makine öğrenimi hesaplamalarını ışık ile gerçekleştirebilme özelliği ile daha hızlı ve enerji verimli bir alternatif sunmakta. Ancak, bazı sinir ağı hesaplamalarının fotonik cihazlar tarafından gerçekleştirilememesi, off-chip elektroniği veya diğer tekniklerin kullanılmasını gerektiriyor; bu da hız ve verimliliği azaltıyor.
Entegre Fotonik İşlemci
MIT ve diğer kurumlardan bilim insanları, bu engelleri aşan yeni bir fotonik çip geliştirdi. Araştırmacılar, derin sinir ağının tüm ana hesaplamalarını optik olarak yapabilen tam entegre bir fotonik işlemciyi sergilemeyi başardılar.
Optik cihaz, bir makine öğrenimi sınıflandırma görevindeki ana hesaplamaları yarım nanosenye içinde tamamlayarak %92’den fazla doğruluk oranı yakaladı. Bu performans, geleneksel donanımlarla karşılaştırıldığında eşdeğer bir seviyede.
Çip, birbirine bağlı modüllerden oluşan bir optik sinir ağı ile inşa edildi ve ticari üretim süreçleri kullanılarak üretildi. Bu durum, teknolojinin ölçeklendirilmesini ve elektronik ile entegrasyonunu mümkün kılabilir.
Işıkla Makine Öğrenimi
Derin sinir ağları, giriş verilerini işleyerek bir çıkış üreten birçok katmandan oluşan düğüm ve nöronlardan oluşur. Bu ağlardaki ana işlemlerden biri, katmanlar arasında veri aktarımı yapan matris çarpımını gerçekleştiren lineer cebirdir.
Ancak lineer işlemlerin yanı sıra, derin sinir ağları daha karmaşık problemleri çözebilmek için modelin daha karmaşık desenleri öğrenmesini sağlayan doğrusal olmayan işlemleri de gerçekleştirir. Bu doğrusal olmayan işlemler, aktivasyon fonksiyonları gibi işlemleri içerir.
Bu yeni çip sayesinde, bir derin sinir ağında doğrusal ve doğrusal olmayan işlemleri gerçekleştirebilen bir sistem tasarlandı. Araştırmacılar, çip üzerinde doğrusal işlemleri gerçekleştiren üniteler ile bu doğrusal olmayan işlemleri birleştiren cihazlar geliştirdi.
Düşük Gecikme Süresi ile Sonuçlar
Bu sistem, derin sinir ağının parametrelerini ışık olarak kodlayarak başlar. Ardından, programlanabilir ışık bölücüleri ile matris çarpım işlemleri yapılır. Veriler, lineer ve doğrusal olmayan fonksiyonları uygulayan programlanabilir NOFU’lara geçer.
Optik alanı tamamen kullanarak düşük gecikme süreleri sağlanmış ve çip üzerinde in situ eğitim yapılmış, bu da büyük enerji tasarrufu sağlamıştır. Bandyopadhyay’ın belirttiğine göre, mevcut sistemlerin optik sinyalleri işleyebildiği alanlarda, gerçek zamanlı öğrenme süreçlerinde oldukça faydalı olmaktadır.
Bu çalışmanın sonuçlarının daha geleneksel donanımlara kıyasla %96 eğitim başarısı ve %92 doğruluk oranı sağladığı görülmektedir. Ayrıca, bu çipin hesaplamaları yarım nanosenye içinde gerçekleştirmesi de dikkat çekicidir.
Bu araştırma, ABD Ulusal Bilim Vakfı, ABD Hava Kuvvetleri Bilimsel Araştırmalar Ofisi ve NTT Araştırma tarafından kısmen desteklenmiştir.
