Terwijl de vraag naar kunstmatige intelligentie (AI) versnelt in de industrie, benadrukt een nieuwe studie gepubliceerd door de IEEE Photonics Society een veelbelovende hardware -doorbraak die is ontworpen om de groeiende energie- en prestatie -uitdagingen van AI aan te pakken.
Het onderzoek, onder leiding van Dr. Bassem Tossoun, senior onderzoekswetenschapper bij Hewlett Packard Labs, introduceert een fotonisch geïntegreerd circuit (PIC) -platform dat zou kunnen hervormen hoe AI -workloads worden verwerkt. In tegenstelling tot traditionele op GPU gebaseerde systemen die afhankelijk zijn van elektronische gedistribueerde neurale netwerken (DNN’s), maakt dit nieuwe platform gebruik van optische neurale netwerken (ONN’s), die met de snelheid van het licht werken met een aanzienlijk verminderd energieverbruik.
Gepubliceerd in het IEEE Journal of Selected Topics in Quantum Electronics, The studie Presenteert fotonische versnelling als een schaalbaar en duurzaam alternatief voor AI-hardware van de volgende generatie. De aanpak richt zich op het integreren van fotonische apparaten rechtstreeks op siliciumchips met behulp van een mix van siliciumfotonica en III-V-samengestelde halfgeleiders.
Silicon Photonics Technology wordt al lang als veelbelovend beschouwd voor data-zware applicaties. Schaalbaarheid voor complexe AI -bewerkingen bleef echter een hindernis. Het IEEE-onderzoeksteam heeft dit aangepakt door siliciumfotonica te combineren met III-V-materialen zoals indiumfosfide (INP) en galliumarsenide (GaAS), waardoor lasers, versterkers en optische componenten met hoge snelheid efficiënt kunnen werken.
“Ons apparaatplatform kan worden gebruikt als bouwstenen voor fotonische versnellers met veel grotere energie-efficiëntie en schaalbaarheid dan de huidige state-of-the-art,” zei Dr. Tossoun.
Het fabricageproces begon met silicium-op-ontstekers (SOI) wafels en nam een reeks geavanceerde stappen op, waaronder lithografie, doping, selectief silicium en germaniumgroei en die-to-wafer binding voor III-V-materialen. Het resultaat is een wafelschaalintegratie van kritieke componenten zoals on-chip lasers, versterkers, modulatoren, fotodetectoren en niet-vluchtige fase-shifters-allemaal essentieel voor het bouwen van optische neurale netwerken.
Dit integratieniveau stelt het platform in staat om AI- en machine learning-workloads met een hogere efficiëntie uit te voeren en tegelijkertijd energieverliezen te minimaliseren die vaak worden gezien in op elektronische gebaseerde systemen.
Deepl genoemd naar Forbes AI 50 -lijst voor het tweede opeenvolgende jaar
Het nieuwe fotonische platform is ontworpen om de groeiende infrastructuurbehoeften van datacenters met AI -workloads te ondersteunen. Met het vermogen om intensieve rekentaken efficiënter aan te kunnen, kan het platform organisaties helpen het stroomgebruik te optimaliseren bij het opschalen van AI -bewerkingen.
Vooruitkijkend, zien de onderzoekers deze innovatie die bijdraagt aan een duurzamere AI-ontwikkeling, waardoor de stijgende energie-eisen van diep leren en grootschalige gegevensverwerking worden overwonnen.
Het onderzoek is gedetailleerd in de paper getiteld “Grootschalig geïntegreerd fotonisch apparaatplatform voor energie-efficiënte AI/ML-versnellers,” Gepubliceerd in het IEEE Journal of Selected Topics in Quantum Electronics. Het project weerspiegelt voortdurende inspanningen binnen de fotonica -gemeenschap om hardware -oplossingen te ontwikkelen die aansluiten bij de toekomstige prestaties en duurzaamheidsbehoeften van AI -infrastructuur.
