La crescita esponenziale del traffico dati nella nostra era digitale pone alcune vere sfide alla potenza di elaborazione. E con l’avvento dell’apprendimento automatico e dell’intelligenza artificiale, ad esempio, nei veicoli a guida autonoma e nel riconoscimento vocale, la tendenza al rialzo è destinata a continuare. Tutto ciò pone un pesante fardello sulla capacità degli attuali processori per computer di stare al passo con la domanda.
I ricercatori hanno sviluppato un nuovo approccio e un’architettura che combina l’elaborazione e l’archiviazione dei dati su un singolo chip utilizzando processori basati sulla luce o “fotonici“, che hanno dimostrato di superare i chip elettronici convenzionali elaborando le informazioni molto più rapidamente e in parallelo.
Gli scienziati hanno sviluppato un acceleratore hardware per le cosiddette moltiplicazioni vettore-matrice, che sono la spina dorsale delle reti neurali (algoritmi che simulano il cervello umano), che a loro volta vengono utilizzati per algoritmi di apprendimento automatico.
Poiché diverse lunghezze d’onda della luce (colori) non interferiscono tra loro, i ricercatori potrebbero utilizzare più lunghezze d’onda della luce per calcoli paralleli. Ma per fare questo, hanno usato un’altra tecnologia innovativa, sviluppata all’EPFL, un “pettine di frequenza” basato su chip, come sorgente luminosa.
“Il nostro studio è il primo ad applicare pettini di frequenza nel campo delle reti neurali artificiali”, afferma il professor Tobias Kippenberg all’EPFL, uno dei responsabili dello studio. La ricerca del professor Kippenberg ha aperto la strada allo sviluppo di pettini di frequenza. “Il pettine di frequenza fornisce una varietà di lunghezze d’onda ottiche che vengono elaborate indipendentemente l’una dall’altra nello stesso chip fotonico.”
“I processori basati sulla luce per velocizzare le attività nel campo dell’apprendimento automatico consentono di elaborare complesse attività matematiche ad alta velocità e produttività”, afferma il coautore senior Wolfram Pernice dell’Università di Münster, uno dei professori che hanno guidato la ricerca.
“Questo è molto più veloce dei chip convenzionali che si basano sul trasferimento elettronico dei dati, come schede grafiche o hardware specializzato come TPU (Tensor Processing Unit)”.
Dopo aver progettato e fabbricato i chip fotonici, i ricercatori li hanno testati su una rete neurale che riconosce i numeri scritti a mano. Ispirate dalla biologia, queste reti sono un concetto nel campo dell’apprendimento automatico e vengono utilizzate principalmente nell’elaborazione di immagini o dati audio.
“Le operazioni di convoluzione tra i dati di input e uno o più filtri, che possono identificare i bordi in un’immagine, ad esempio, sono adatte alla nostra architettura a matrice”, afferma Johannes Feldmann, ora con sede presso il Dipartimento di materiali dell’Università di Oxford.
Nathan Youngblood (Oxford University) aggiunge: “Lo sfruttamento del multiplexing della lunghezza d’onda consente velocità di trasmissione dati e densità di calcolo più elevate, ovvero operazioni per area del processore, non raggiunte in precedenza”.
“Questo lavoro è una vera vetrina della ricerca collaborativa europea”, afferma David Wright dell’Università di Exeter, che guida il progetto europeo FunComp, che ha finanziato il lavoro. “Sebbene ogni gruppo di ricerca coinvolto sia leader mondiale a modo suo, è stato mettere insieme tutte queste parti a rendere questo lavoro veramente possibile”.
Lo studio è stato pubblicato su Nature questa settimana e ha applicazioni di vasta portata: maggiore elaborazione simultanea (ea risparmio energetico) dei dati nell’intelligenza artificiale, reti neurali più grandi per previsioni più accurate e analisi dei dati più precisa, grandi quantità di dati clinici per diagnosi, potenziamento della valutazione rapida dei dati dei sensori nei veicoli a guida autonoma ed espansione delle infrastrutture di cloud computing con più spazio di archiviazione, potenza di calcolo e software applicativo.
Riferimento: “Elaborazione convoluzionale parallela utilizzando un nucleo tensore fotonico integrato” di J. Feldmann, N. Youngblood, M. Karpov, H. Gehring, X. Li, M. Stappers, M. Le Gallo, X. Fu, A. Lukashchuk, AS Raja, J. Liu, CD Wright, A. Sebastian, TJ Kippenberg, WHP Pernice e H. Bhaskaran, 6 gennaio 2021, Nature.