ساخت هوش مصنوعی که سازگار با محیط زیست است

به گزارش آنا، دانشمندان یک شتاب‌دهنده هوش مصنوعی فوق‌العاده کارآمد ساخته‌اند که به جای تراشه‌های سنتی، از مدار‌های مبتنی بر نور استفاده می‌کند. این فناوری هوش مصنوعی را سریع‌تر، سازگارتر با محیط زیست و آماده برای مقیاس‌پذیری بزرگ می‌کند.

یک پلتفرم شتاب‌دهنده هوش مصنوعی پیشرفته که به جای برق، از نور بهره می‌برد، می‌تواند نحوه آموزش و استقرار هوش مصنوعی را دگرگون کند.

با استفاده از مدار‌های فوتونیکی مجتمع ساخته‌شده از نیمه‌رسانا‌های پیشرفته III-V، محققان سیستمی را توسعه داده‌اند که در هر دو زمینه کارایی انرژی و سرعت، عملکرد بهتری نسبت به GPU‌های سیلیکونی سنتی دارد. این فناوری نه تنها می‌تواند هزینه‌های انرژی را کاهش دهد، بلکه هوش مصنوعی را به سطوح جدیدی از عملکرد برساند و احتمالاً همه چیز را از مراکز داده گرفته تا سیستم‌های هوشمند آینده را تغییر دهد.

رشد انفجاری هوش مصنوعی و چالش‌های زیرساختی

هوش مصنوعی (AI) در حال تغییر سریع طیف گسترده‌ای از صنایع است. این سیستم‌ها که توسط یادگیری عمیق و مجموعه داده‌های عظیم پشتیبانی می‌شوند، برای آموزش و عملیات خود به قدرت محاسباتی بسیار بالایی نیاز دارند. امروزه، بیشتر این فرآیند‌ها به GPU‌ها (واحد‌های پردازش گرافیکی) وابسته هستند، اما مصرف انرژی بالا و مقیاس‌پذیری محدود آنها چالش‌های قابل توجهی را ایجاد کرده‌اند. برای حمایت از رشد آینده هوش مصنوعی، نیاز به راه‌حل‌های سخت‌افزاری کاراتر و پایدارتر اجتناب‌ناپذیر است.

گامی بزرگ به جلو، مدار‌های فوتونیکی برای هوش مصنوعی

به گزارش scitechdaily، یک مطالعه اخیراً منتشر شده در IEEE Journal of Selected Topics in Quantum Electronics، جایگزینی امیدوارکننده را معرفی می‌کند که یک پلتفرم شتاب‌دهنده هوش مصنوعی بر پایه مدار‌های فوتونیکی مجتمع (PICs) ساخته شده است. این تراشه‌های نوری مقیاس‌پذیری و کارایی انرژی بهتری نسبت به سیستم‌های سنتی مبتنی بر GPU ارائه می‌دهند. این تحقیق که تحت رهبری دکتر باس sem طوسون، دانشمند ارشد تحقیقاتی در آزمایشگاه‌های هولت پاکارد انجام شده است، نشان می‌دهد که PIC‌هایی که از نیمه‌رسانا‌های ترکیبی III-V استفاده می‌کنند، می‌توانند بار‌های کاری هوش مصنوعی را سریع‌تر و با مصرف انرژی بسیار کمتری اجرا کنند.

برخلاف سخت‌افزار‌های سنتی که از شبکه‌های عصبی توزیع‌شده الکترونیکی (DNN ها) استفاده می‌کنند، این رویکرد جدید از شبکه‌های عصبی نوری (ONNs) بهره می‌برد. این مدار‌ها به جای برق، از نور برای محاسبات استفاده می‌کنند. از آنجایی که این شبکه‌ها با سرعت نور عمل می‌کنند و اتلاف انرژی را به حداقل می‌رسانند، پتانسیل زیادی برای شتاب بخشیدن به هوش مصنوعی به شکلی کاراتر دارند.

مزایای این فناوری نسبت به سیلیکون سنتی

دکتر طوسون توضیح می‌دهد: «اگرچه فوتونیک سیلیکونی تولید آسانی دارد، اما مقیاس‌پذیری آن برای مدار‌های مجتمع پیچیده دشوار است. پلتفرم دستگاه ما می‌تواند به عنوان بلوک‌های سازنده شتاب‌دهنده‌های فوتونیکی با کارایی انرژی و مقیاس‌پذیری بسیار بیشتری نسبت به فناوری‌های فعلی پیشرفته استفاده شود.»

تیم تحقیقاتی از رویکردی به نام یکپارچه‌سازی ناهمگن برای ساخت سخت‌افزار استفاده کرد. این فرآیند شامل استفاده از فوتونیک سیلیکونی همراه با نیمه‌رسانا‌های ترکیبی III-V بود که لیزر‌ها و تقویت‌کننده‌های نوری را به صورت عملکردی یکپارچه می‌کنند تا اتلاف نوری را کاهش دهند و مقیاس‌پذیری را بهبود بخشند. نیمه‌رسانا‌های III-V امکان ایجاد PIC‌ها (مدار‌های فوتونیکی مجتمع) با چگالی و پیچیدگی بیشتر را فراهم می‌کنند. PIC‌ها که از این نیمه‌رسانا‌ها استفاده می‌کنند، قادرند تمام عملیات مورد نیاز برای پشتیبانی از شبکه‌های عصبی را اجرا کنند و این موضوع آنها را به گزینه‌های اصلی برای سخت‌افزار شتاب‌دهنده هوش مصنوعی نسل بعدی تبدیل می‌کند.

نحوه ساخت پلتفرم

فرآیند ساخت با استفاده از ویفر‌های سیلیکون روی عایق (SOI) شروع شد که شامل لایه‌ای ۴۰۰ نانومتری از سیلیکون بود. پس از آن، لیتوگرافی و خشک‌خوردن (dry etching) انجام شد و سپس دوپینگ برای دستگاه‌های خازن نیمه‌رسانا اکسید فلزی (MOSCAP) و فوتودیود‌های سنگفروشی (APD) انجام شد. در مرحله بعد، رشد انتخابی سیلیکون و ژرمانیوم برای تشکیل لایه‌های جذب، بار و ضرب‌کننده APD انجام شد. سپس نیمه‌رسانا‌های ترکیبی III-V (مانند InP یا GaAs) با استفاده از تکنیک اتصال دای-به-ویفر (die-to-wafer bonding) به پلتفرم سیلیکونی یکپارچه شدند. یک لایه نازک اکسید دروازه (مانند Al₂O₃ یا HfO₂) برای بهبود کارایی دستگاه اضافه شد و در نهایت، یک لایه دی‌الکتریک ضخیم برای کپسوله‌سازی و ثبات حرارتی قرار داده شد.

مرز جدیدی در سخت‌افزار هوش مصنوعی

دکتر طوسون اشاره می‌کند: «پلتفرم ناهمگن III/V-on-SOI تمام اجزای ضروری را برای توسعه معماری‌های محاسباتی فوتونیکی و الکترواپتیکی برای شتاب‌دهی هوش مصنوعی/یادگیری ماشین فراهم می‌کند. این موضوع به ویژه برای شتاب‌دهنده‌های فوتونیکی آنالوگ ML که از مقادیر آنالوگ پیوسته برای نمایش داده‌ها استفاده می‌کنند، بسیار مرتبط است.»

این پلتفرم فوتونیکی منحصر‌به‌فرد می‌تواند تمام دستگاه‌های مختلف مورد نیاز برای ساخت یک شبکه عصبی نوری را در مقیاس ویفر (wafer-scale) یکپارچه کند. این شامل دستگاه‌های فعالی مانند لیزر‌ها و تقویت‌کننده‌های روی تراشه، فوتودیود‌های پرسرعت، مدولاتور‌های کم‌مصرف و تغییردهنده‌های فاز غیرفرار است. این امر امکان توسعه شتاب‌دهنده‌های مبتنی بر شبکه‌های عصبی نوری (TONN) را فراهم می‌کند که کارایی انرژی-حجمی آنها ۲.۹ × ۱۰² برابر بیشتر از سایر پلتفرم‌های فوتونیکی و ۱.۴ × ۱۰² برابر بیشتر از پیشرفته‌ترین سخت‌افزار‌های الکترونیکی دیجیتال است.

تغییر هوش مصنوعی با کارایی سرعت نور

این واقعاً یک فناوری انقلابی برای شتاب‌دهی به هوش مصنوعی و یادگیری ماشین است که هزینه‌های انرژی را کاهش داده، کارایی محاسباتی را بهبود می‌بخشد و امکان توسعه برنامه‌های متنوع مبتنی بر هوش مصنوعی در آینده را فراهم می‌کند. در آینده، این فناوری به مراکز داده کمک خواهد کرد تا بار‌های کاری بیشتری مرتبط با هوش مصنوعی را پشتیبانی کنند و به حل چندین مسئله بهینه‌سازی کمک کنند.

این پلتفرم چالش‌های محاسباتی و انرژی را برطرف خواهد کرد و راه را برای توسعه سخت‌افزار‌های شتاب‌دهنده هوش مصنوعی قدرتمند و پایدار در آینده هموار می‌کند.