5 Minuty
Nowy paradygmat obliczeń optycznych sterowanych światłem
Badacze z firmy Microsoft i instytucji partnerskich przedstawili działający analogowy komputer optyczny (AOC), który rozwiązuje konkretne zadania AI oraz zagadnienia optymalizacyjne, wykorzystując światło zamiast tradycyjnych tranzystorów elektronicznych. Eksperci podkreślają, że to podejście nie zastąpi uniwersalnych komputerów cyfrowych, jednak AOC obiecuje być bardzo efektywnym energetycznie akceleratorem do wybranych zastosowań, takich jak wnioskowanie w uczeniu maszynowym, rekonstrukcja obrazów oraz optymalizacja pod określonymi ograniczeniami.
Jak działa AOC i rola „cyfrowego bliźniaka”
System łączy fizyczny instrument fotoniczny z jego cyfrową repliką — „cyfrowym bliźniakiem”, który odwzorowuje zachowanie urządzenia optycznego w krzemie. Ta hybrydowa strategia pozwala inżynierom skalować eksperymenty w oprogramowaniu przed przeniesieniem ich na sprzęt, umożliwiając rozwiązywanie bardziej złożonych problemów, niż pozwala na to obecny prototyp.
„Cyfrowy bliźniak pozwala nam pracować nad większymi zadaniami niż te, które aktualnie obsługuje urządzenie”, wyjaśnia Michael Hansen, dyrektor ds. przetwarzania sygnałów biomedycznych w Microsoft Health Futures w materiałach projektowych. Dzięki bliźniakowi możliwa jest symulacja znacznie większej liczby zmiennych oraz bardziej zaawansowanych algorytmów, co znacząco przyspiesza rozwój przyszłych, większych zestawów AOC.
Pierwsze testy: klasyfikacja obrazów i rekonstrukcja MRI
Aby potwierdzić skuteczność AOC, zespół przeprowadził standardowe zadania uczenia maszynowego, takie jak klasyfikacja obrazów. Wyniki były zbliżone do osiągów tradycyjnych komputerów cyfrowych przy tego typu prostych zadaniach. Jednak badacze podkreślają, że skalowanie AOC — poprzez dodawanie większej liczby kanałów micro-LED oraz komponentów optycznych — może przynieść istotne korzyści energetyczne w przypadku dużych problemów.
Z wykorzystaniem cyfrowego bliźniaka naukowcy zaprezentowali interesujący przypadek medyczny: rekonstrukcję obrazu mózgu MRI o rozdzielczości 320 na 320 pikseli przy użyciu jedynie 62,5% pierwotnych danych pomiarowych. Model odtworzył diagnostyczny obraz z wysoką precyzją, sugerując możliwość skrócenia czasu skanowania MRI oraz zmniejszenia dyskomfortu pacjentów.
Testy optymalizacyjne: rozliczenia finansowe i minimalizacja ryzyka
Poza zagadnieniami obrazowania i klasyfikacji, ramy AOC zostały zastosowane do wybranych problemów optymalizacji finansowej. Symulacje obejmowały efektywną wymianę środków między wieloma stronami z minimalizacją skumulowanego ryzyka — co stanowi wyzwanie typowe dla izb rozliczeniowych oraz dużych sieci finansowych. W tych scenariuszach podejście AOC osiągnęło wyższy współczynnik sukcesu niż niektóre współczesne prototypy kwantowe, co podkreśla potencjał optycznych obliczeń analogowych w optymalizacji kombinatorycznej i badaniach operacyjnych.
Charakterystyka rozwiązania i najważniejsze cechy techniczne
- Analogowe przetwarzanie optyczne z użyciem modulacji przestrzennej światła i matryc micro-LED.
- Architektura hybrydowa z cyfrowym bliźniakiem umożliwiającym symulacje i rozwiązywanie problemów na większą skalę.
- Prototyp osiąga porównywalne wyniki z komputerami cyfrowymi w małych zadaniach ML oraz zapewnia znaczny wzrost efektywności w symulacjach większych instancji.
- Przykładowe zastosowania: klasyfikacja obrazów, rekonstrukcja rzadkich danych MRI, optymalizacja finansowa z udziałem wielu stron.
Zalety i ograniczenia
Do najważniejszych zalet należą duży potencjał oszczędności energetycznych przy zadaniach gęstych i zrównoleglonych, redukcja opóźnień w wybranych zadaniach wnioskowania oraz obiecujące wyniki w rekonstrukcji i optymalizacji. Wśród ograniczeń obecnie można wymienić prototypowy charakter urządzenia oraz dostosowanie do wąskich klas problemów, a nie do uniwersalnych obliczeń. Jak zauważa Aydogan Ozcan, badacz obliczeń optycznych z UCLA niezwiązany z tym projektem, technologia ta najlepiej sprawdza się w wyspecjalizowanych zadaniach AI i optymalizacyjnych, a nie w ogólnych zastosowaniach.
Porównanie: fotoniczne obliczenia analogowe kontra podejścia cyfrowe i kwantowe
W porównaniu z tradycyjnymi CPU i GPU, procesory optyczne analogowe wykorzystują prawa fizyki do znacznie wydajniejszych obliczeń liniowych i optymalizacyjnych, zużywając mniej energii na jedną operację. W zestawieniu z młodymi jeszcze systemami kwantowymi, maszyny fotoniczne wydają się bardziej praktyczne do wdrożeń w świecie rzeczywistym i wykazują wyższą skuteczność w badanych problemach finansowych zespołu. Każda z tych platform ma jednak odrębne atuty — systemy kwantowe celowane są w zadania kombinatoryczne i próbkujące, podczas gdy analogowe podejście fotoniczne najlepiej sprawdza się w masowo równoległych obliczeniach liniowej algebry i zadaniach rekonstrukcyjnych.
Zastosowania i znaczenie rynkowe
Najbliższe zastosowania obejmują medyczną diagnostykę obrazową (przyspieszona rekonstrukcja MRI i TK), akceleratory AI do wnioskowania na brzegu sieci oraz w centrach danych, a także usługi finansowe związane z optymalizacją portfela czy rozliczeniami. W miarę zwiększania liczby kanałów micro-LED i udoskonalania integracji, urządzenia AOC mogą rozwiązywać problemy o milionach i miliardach zmiennych, co czyni je atrakcyjnym rozwiązaniem dla chmur obliczeniowych oraz producentów specjalistycznych układów do AI.
Perspektywy: od prototypu do wdrożenia
Aktualnie AOC pozostaje platformą eksperymentalną. Zespół badawczy przewiduje, że kolejne generacje zostaną wyposażone w więcej kanałów micro-LED i elementów fotonicznych, znacząco zwiększając przepustowość i skalę rozwiązywanych problemów. „Naszym celem i długoterminową wizją jest to, aby technologia ta stała się istotnym elementem przyszłości obliczeń” — powiedział Hitesh Ballani z zespołu Cloud Systems Futures w Microsoft. Po wdrożeniu, analogowe obliczenia optyczne mogą stać się kluczową technologią dla energooszczędnej AI oraz zaawansowanych obliczeń naukowych na dużą skalę.
Źródło: livescience
Komentarze