翻譯自——EEtimes

近期，一種用光子張量處理器代替GPU來(lái)進(jìn)行機(jī)器學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)計(jì)算的新方法表明，在處理光學(xué)數(shù)據(jù)傳輸?shù)男阅苌峡梢蕴岣?－3階。這也表明光子處理器具有增強(qiáng)電子系統(tǒng)的潛力，并可能在5G網(wǎng)絡(luò)邊緣設(shè)備中表現(xiàn)強(qiáng)勁。

美國(guó)喬治華盛頓大學(xué)電子和計(jì)算機(jī)工程系的Mario Miscuglio和Volker Sorger在《應(yīng)用物理評(píng)論雜志》上發(fā)表了一篇論文，題為《基于光子的處理單元使更復(fù)雜的機(jī)器學(xué)習(xí)成為可能》。

在他們的方法中，光子張量核并行執(zhí)行矩陣乘法，這提高了深度學(xué)習(xí)的速度和效率。在機(jī)器學(xué)習(xí)中，神經(jīng)網(wǎng)絡(luò)被訓(xùn)練來(lái)學(xué)習(xí)如何在不可見(jiàn)的數(shù)據(jù)上執(zhí)行無(wú)監(jiān)督的決策和分類任務(wù)。一旦神經(jīng)網(wǎng)絡(luò)對(duì)數(shù)據(jù)進(jìn)行了訓(xùn)練，它就可以產(chǎn)生一種推斷，從而對(duì)對(duì)象和模式進(jìn)行識(shí)別和分類，并在數(shù)據(jù)中找到一個(gè)特征。

光子TPU并行存儲(chǔ)和處理數(shù)據(jù)，具有電光互連的特點(diǎn)，可以有效地讀寫(xiě)光存儲(chǔ)器，并與其他架構(gòu)進(jìn)行接口。

作者之一Mario Miscuglio表示：“我們發(fā)現(xiàn)集成了高效光存儲(chǔ)的集成光子平臺(tái)可以獲得與張量處理單元相同的操作，但它們只消耗一小部分的功率，并具有更高的吞吐量，如果經(jīng)過(guò)適當(dāng)?shù)挠?xùn)練，可以用于以光速進(jìn)行推理?！?/p>

大多數(shù)神經(jīng)網(wǎng)絡(luò)旨在模仿人類大腦的多層相互連接的神經(jīng)元。表示這些網(wǎng)絡(luò)的一種有效方法是將矩陣和向量相乘的復(fù)合函數(shù)。這種表示方式允許通過(guò)專門(mén)用于向量化操作（如矩陣乘法）的架構(gòu)來(lái)執(zhí)行并行操作。

（a）光子張量核（PTC）由一個(gè)16點(diǎn)積引擎組成，內(nèi)在獨(dú)立地逐列逐行逐點(diǎn)乘法和累加。點(diǎn)積引擎執(zhí)行兩個(gè)向量之間的乘法。輸入矩陣的第i行由由高速（如馬赫－曾德?tīng)枺?span>調(diào)制器調(diào)制的波分復(fù)用信號(hào)給出。通過(guò)適當(dāng)設(shè)置核矩陣的權(quán)值狀態(tài)，將核矩陣的第j列加載到光子存儲(chǔ)器中。利用光－物質(zhì)與相變存儲(chǔ)器的相互作用，利用微環(huán)諧振器（MRR）對(duì)輸入信號(hào)進(jìn)行頻譜濾波，并采用看似量子化的電吸收方案進(jìn)行加權(quán)。（例如調(diào)幅），從而執(zhí)行按元素進(jìn)行的乘法。使用光檢測(cè)器將元素式乘法非相干求和，這相當(dāng)于MAC操作（Dij）。

任務(wù)越智能化，預(yù)測(cè)精度就越高，網(wǎng)絡(luò)就越復(fù)雜。這樣的網(wǎng)絡(luò)需要更大的計(jì)算量和更大的處理能力。當(dāng)前適合于深度學(xué)習(xí)的數(shù)字處理器，如圖形處理單元（GPU）或張量處理單元（TPU），由于所需的功率以及處理器和存儲(chǔ)器之間電子數(shù)據(jù)的緩慢傳輸，在執(zhí)行更復(fù)雜、更精確的操作方面受到了限制。

研究人員表明，他們的TPU性能可以比電子TPU高出2－3個(gè)數(shù)量級(jí)。對(duì)于計(jì)算節(jié)點(diǎn)分布式網(wǎng)絡(luò)和在網(wǎng)絡(luò)邊緣（如5G）執(zhí)行高吞吐量智能任務(wù)的引擎來(lái)說(shuō)，光子可能是一個(gè)理想的匹配。在網(wǎng)絡(luò)邊緣，數(shù)據(jù)信號(hào)可能已經(jīng)以來(lái)自監(jiān)控?cái)z像機(jī)、光學(xué)傳感器和其他來(lái)源的光子的形式存在。

Miscuglio：“光子專用處理器可以節(jié)省大量的能源，提高響應(yīng)時(shí)間并減少數(shù)據(jù)中心的流量?！睂?duì)于終端用戶來(lái)說(shuō)，這意味著處理數(shù)據(jù)的速度要快得多，因?yàn)閿?shù)據(jù)的很大一部分是預(yù)處理的，這意味著只需要將其余部分?jǐn)?shù)據(jù)發(fā)送到云或數(shù)據(jù)中心。

光與電的較量

本文給出了利用光路完成機(jī)器學(xué)習(xí)任務(wù)的實(shí)例。在大多數(shù)神經(jīng)網(wǎng)絡(luò)（NNs）中，每一個(gè)神經(jīng)元和每一層，以及網(wǎng)絡(luò)的互連，都是訓(xùn)練網(wǎng)絡(luò)的關(guān)鍵。根據(jù)訓(xùn)練，在其連通層中，神經(jīng)網(wǎng)絡(luò)強(qiáng)烈依賴于向量矩陣的數(shù)學(xué)運(yùn)算，其中輸入數(shù)據(jù)和權(quán)重的大矩陣根據(jù)訓(xùn)練相乘。復(fù)雜的、多層的深層神經(jīng)網(wǎng)絡(luò)需要大量的帶寬和低延遲，以滿足執(zhí)行大矩陣乘法所需的大量操作，而不犧牲效率和速度。

那么如何有效地將這些矩陣相乘呢？對(duì)于通用處理器，矩陣操作在需要連續(xù)訪問(wèn)緩存內(nèi)存的情況下串行進(jìn)行，從而產(chǎn)生馮·諾依曼瓶頸［1］。而GPU和TPU等特殊的架構(gòu)，有助于減少這些馮·諾依曼瓶頸的影響，使一些有效的機(jī)器學(xué)習(xí)模型成為可能。

與CPU相比，GPU和TPU意義重大，但是當(dāng)用它們來(lái)實(shí)現(xiàn)深度神經(jīng)網(wǎng)絡(luò)對(duì)大型2維數(shù)據(jù)集（如圖像）執(zhí)行推斷時(shí)，可能會(huì)耗電，并且需要更長(zhǎng)的計(jì)算運(yùn)行時(shí)間（大于幾十毫秒）。對(duì)于不那么復(fù)雜的推理任務(wù)來(lái)說(shuō)，更小的矩陣乘法仍然受到不可忽略的延遲挑戰(zhàn)，主要是由于各種內(nèi)存層次的訪問(wèn)開(kāi)銷(xiāo)和GPU中執(zhí)行每條指令的延遲。

作者建議，在這種情況下，有必要探索和重新研發(fā)當(dāng)前邏輯計(jì)算平臺(tái)的操作范式，在這種邏輯計(jì)算平臺(tái)中，矩陣代數(shù)依賴于對(duì)內(nèi)存的連續(xù)訪問(wèn)。在這方面，光的波動(dòng)性質(zhì)和相關(guān)的固有操作，如干涉和衍射，可以在提高計(jì)算吞吐量和同時(shí)降低神經(jīng)形態(tài)平臺(tái)的功耗方面發(fā)揮重要作用。

他們建議未來(lái)的技術(shù)應(yīng)該在其隨時(shí)間變化的輸入信號(hào)所在的領(lǐng)域執(zhí)行計(jì)算任務(wù)，并利用其內(nèi)在的物理操作。在這個(gè)觀點(diǎn)中，光子是計(jì)算節(jié)點(diǎn)分布式網(wǎng)絡(luò)和在網(wǎng)絡(luò)邊緣（如5G）對(duì)大數(shù)據(jù)執(zhí)行智能任務(wù)的引擎的理想匹配，其中數(shù)據(jù)信號(hào)可能已經(jīng)以光子的形式存在（如監(jiān)控?cái)z像頭、光學(xué)傳感器等），從而預(yù)先過(guò)濾和智能調(diào)節(jié)允許向下游流向數(shù)據(jù)中心和云系統(tǒng)的數(shù)據(jù)流量。

在這里，他們探索了利用光子張量核（PTC）的方法，該方法能夠與訓(xùn)練好的核進(jìn)行一次性的4乘4矩陣的（非迭代的）和完全被動(dòng)的乘法和積累。換句話說(shuō)，一旦NN被訓(xùn)練，權(quán)重被存儲(chǔ)在一個(gè)4位的多層光子存儲(chǔ)器中，直接在芯片上實(shí)現(xiàn)，而不需要額外的電光電路或芯片外DRAM。該光子存儲(chǔ)器具有低損耗、相變、納米光子電路的特點(diǎn)，其基礎(chǔ)是將G2Sb2Se5的導(dǎo)線沉積在一個(gè)平面波導(dǎo)上，可以使用電熱開(kāi)關(guān)進(jìn)行更新，并且可以完全通過(guò)光學(xué)讀取。電熱開(kāi)關(guān)是由夾住相變存儲(chǔ)器（PCM）導(dǎo)線的鎢加熱電極實(shí)現(xiàn)。

作者表示，這項(xiàng)工作代表了實(shí)現(xiàn)并行存儲(chǔ)數(shù)據(jù)和處理的光子張量處理器的第一種方法，與提供實(shí)時(shí)分析的最先進(jìn)的硬件加速器相比，它可以將相乘累積（MAC）操作的數(shù)量提高幾個(gè)數(shù)量級(jí)，同時(shí)顯著降低功耗和延遲。

與依賴邏輯門(mén)的數(shù)字電子學(xué)不同，在集成光子學(xué)中，乘法、積累和更一般的線性代數(shù)運(yùn)算可以固有地、非迭代地執(zhí)行，得益于信號(hào)的電磁特性和有效的光物質(zhì)相互作用所提供的內(nèi)在并行性。在這方面，集成光子學(xué)是一個(gè)理想的平臺(tái)，映射特定的復(fù)雜操作一對(duì)一到硬件，在某些情況下算法，實(shí)現(xiàn)時(shí)間復(fù)雜度。

審核編輯：符乾江