У США розробили революційний чип для штучного інтелекту

Група вчених з факультету інженерії та прикладних наук Пенсільванського університету розробила новий чип, який для виконання складних математичних операцій використовує не електрику, а світлові хвилі. Кремнієво-фотонний чип можна випускати на сучасному обладнанні та використовувати його, наприклад, як співпроцесор для GPU в завданнях, пов’язаних із машинним навчанням.

Вчені створили і випробували чип на операціях векторно-матричного множення для матриць 2×2 і 3×3. Також було показано можливість роботи матриці 10×10. Ці приклади продемонстрували, що запропоновані методи мають потенціал для створення великомасштабних аналогових обчислювальних платформ на основі світлових хвиль, про що вчені розповіли в статті в журналі Nature Photonics.

В основі роботи лежить доказ концепції виготовлення хвилеводів і аморфних лінз безпосередньо на кремнієвій пластині за допомогою стандартних техпроцесів травлення та обробки пластин. Традиційні методи виготовлення метаструктур страждають через такі обмеженнями, як вузька смуга пропускання і висока чутливість до помилок виготовлення. Зокрема, це обмежує масштабування подібних архітектур.

Замість того щоб використовувати кремнієву пластину однакової висоти, пояснюють розробники, «ви робите кремній тоншим, скажімо, на 150 нанометрів», але тільки в певних областях. Ці зміни висоти без додавання будь-яких інших матеріалів забезпечують засіб контролю над поширенням світла через чип, оскільки зміни висоти можуть бути розподілені таким чином, щоб світло розсіювалося певним чином, дозволяючи чипу виконувати математичні обчислення зі швидкістю світла.

Простіше кажучи, у кремнії протруюють хвилеводи і створюють систему лінзування, що забезпечує проходження світлового сигналу лабіринтом хвилеводів із жорстко заданим алгоритмом, і залежно від сигналів на вході буде отримано певний результат. Таким співпроцесором можна дооснастити звичайний графічний процесор, щоб розвантажити його від енерговитратних операцій векторно-матричного множення і таким чином прискорити обчислення для задач штучного інтелекту і машинного навчання.