Maschinelles Lernen mit Licht beschleunigen

Photonische Strukturen zur Mustererkennung untersucht.

Die Anforderungen von Muster- und Sprach­erken­nungen sowie dem autonomen Fahren über­steigen oft die Kapazi­täten herkömm­licher Computer-Prozes­soren. Wissen­schaftler der Uni Münster entwickeln in Zusammen­arbeit mit einem inter­natio­nalen Forscher­team neue Ansätze und Prozessor-Archi­tek­turen, die diesen Aufgaben gewachsen sind. Jetzt fanden sie heraus, dass photonische Prozes­soren, bei denen Daten mittels Licht trans­portiert werden, Informa­tionen sehr viel schneller und parallel verarbeiten als elektro­nische Chips.

Abb.: Schematische Dar­stel­lung eines Pro­zessors für...
Abb.: Schematische Dar­stel­lung eines Pro­zessors für Matrix­multi­pli­ka­tionen, der mit Licht arbeitet. Die Wellen­leiter­kreu­zungs­struktur er­mög­licht zu­sammen mit einem optischen Frequenz­kamm hoch­parallele Daten­ver­arbei­tung. (Bild: WWU)

Lichtbasierte Prozessoren zur Beschleunigung von Aufgaben im Bereich des maschinellen Lernens erlauben komplexe Rechen­aufgaben mit enorm hohen Geschwindig­keiten von 10¹² bis 10¹⁵ Operationen pro Sekunde zu verarbeiten. Herkömm­liche Chips, wie zum Beispiel Grafik­karten oder spezielle Hardware wie die Tensor Processing Unit von Google basieren auf einer elektro­nischen Daten­über­tragung und sind wesentlich langsamer. Das Forscher­team um Wolfram Pernice implemen­tierte einen Hardware­beschleuniger für Matrix­multi­plika­tionen, die die Haupt­rechen­last in der Berechnung von neuronalen Netzen darstellen.

Die Wissenschaftler kombinierten die photonischen Strukturen mit Phasen­wechsel­materialien – kurz PWMs – als energie­effiziente Speicher­elemente. PWMs werden üblicher­weise in der optischen Daten­speicherung mit DVDs oder Blue-Rays eingesetzt. Im dem neuen Prozessor ermöglicht das die Speicherung und den Erhalt der Matrix­elemente, ohne die Not­wendig­keit Energie zuzu­führen. Als Lichtquelle nutzten die Forscher einen chip­basierten Frequenz­kamm. Ein Frequenz­kamm bietet verschiedene optische Wellen­längen, die unabhängig vonein­ander im selben System verarbeitet werden. Dadurch ergibt sich eine parallele Daten­verarbeitung, das Wellen­längen­multiplex­verfahren.

In ihrem Experiment verwendeten die Wissen­schaftler ein „Convolu­tional Neural Network“ zur Erkennung hand­ge­schriebener Ziffern. Die Faltungs­operation zwischen Eingangs­daten und einem oder mehreren Filtern, die zum Beispiel eine Hervor­hebung von Kanten in einem Bild sein kann, lässt sich sehr gut auf unsere Matrix­archi­tektur übertragen. Das Ausnutzen von Licht für die Signal­über­tragung erlaubt dem Prozessor eine parallele Daten­verarbei­tung durch Wellen­längen­multiplexen, die zu einer höheren Rechen­dichte führt. Dabei werden viele Matrix­multipli­kationen in nur einem Zeitschritt durch­geführt. Anders als bei herkömm­licher Elektronik, die üblicher­weise im niedrigen Gigahertz-Bereich arbeitet, können optisch Modulations­geschwindig­keiten im Bereich von 50 bis 100 Gigahertz realisiert werden. Das Verfahren ermöglicht somit bisher unerreichte Daten­raten und Rechen­dichten, also Operationen pro Prozessor­fläche.

Die Ergebnisse sind vielfältig einsetzbar: Im Bereich der künst­lichen Intelligenz können mehr Daten zeitgleich und energie­effizient verarbeitet werden. Der Einsatz von größeren neuronalen Netzen erlaubt zudem genauere und bisher unerreichte Vorher­sagen sowie präzisere Daten­analysen. Beispiels­weise unter­stützen photonische Prozessoren die Auswertung großer Daten­mengen in der medizi­nischen Diagnostik, etwa bei hoch­auf­ge­lösten 3-D-Daten spezieller Bild­gebungs­verfahren. Weitere Anwendungs­gebiete sind zum anderen das autonome Fahren, das auf eine schnelle und genaue Auswertung der Sensor­daten angewiesen ist, sowie IT-Infra­strukturen wie „Cloud Computing“, die unter anderem Speicher­platz, Rechen­leistung oder Anwendungs­software bereit­stellen.

WWU / RK

Weitere Infos

Weitere Beiträge

Sonderhefte

Physics' Best und Best of
Sonderausgaben

Physics' Best und Best of

Die Sonder­ausgaben präsentieren kompakt und übersichtlich neue Produkt­informationen und ihre Anwendungen und bieten für Nutzer wie Unternehmen ein zusätzliches Forum.

Weiterbildung

Weiterbildungen im Bereich Quantentechnologie
TUM INSTITUTE FOR LIFELONG LEARNING

Weiterbildungen im Bereich Quantentechnologie

Vom eintägigen Überblickskurs bis hin zum Deep Dive in die Technologie: für Fach- & Führungskräfte unterschiedlichster Branchen.

Meist gelesen

Photo
14.09.2023 • NachrichtForschung

Knick im Jet

Verbogener Jet aus supermassereichem schwarzem Loch vermutlich auf Präzession der Jet-Quelle zurückzuführen.

Themen