フォトンベース処理ユニットで複雑な機械学習が可能に

September, 2, 2020, Washington--ニューラルネットワークによるマシンラーニングは、人工知能開発への人気のあるアプローチである。研究者は、様々なアプリケーションに向けて脳の機能を複製することを狙っている。

Applied Physics Reviewsの論文は、電気の代わりに光を使い、ニューラルネットワークが必要とする計算を実行する新たなアプローチを提案している。このアプローチでは、フォトンテンソルコアが、並列で行列の乗算を行い､現在のディープラーニングパラダイムのスピードと効率を改善する｡

マシンラーニングでは,ニューラルネットワークを訓練して､初見のデータで教師なしの決定や分類を行えるようにする｡ニューラルネットワークがデータで訓練されると､物体やパタンを認識し分類し､データ内の特徴を見つけ出すために推論が行える｡

フォトニックTPU(tensor processing unit)は､並行してデータを蓄積､処理し､電気-光相互接続が特徴｡これにより､光メモリは効率よく読み､書きでき､フォトニックTPUは他のアーキテクチャと接続する｡

｢効率的な光メモリを集積した集積フォトニックプラットフォームは､テンソル処理ユニット(TPU)として同じ演算をすることができるが､電力消費はわずかであり､スループットは高い｡また､適切に訓練されると､光の速度で推論するために利用できるようになる｣と著者の一人､Mario Miscuglioは説明している｡

ほとんどのニューラルネットワークは､人の脳を真似る目的で相互接続されたニューロンの多重層を解明する｡これらのネットワークを表す効率的な方法は､行列とベクトルを同時に乗算する合成関数である｡この表示により､行列の乗算など､ベクトル化演算に特化したアーキテクチャを通した並列演算の実行ができる｡

しかし､タスクがますますインテリジェントになり､望む予測の精度がどんどん高くなると､ネットワークはますます複雑になる｡そのようなネットワークでは､計算のためのデータ量が多くなり､そのデータを処理するパワーも多くなる｡

ディープラーニングに適した現在のデジタルプロセッサ､GUIあるいはTPUは､より高精度に複雑な演算を行うには､それを実行するパワー､プロセッサとメモリ間の遅い電子データ転送によって制約されている｡

研究チームは､そのTPUの性能が,電子TPUよりも2 – 3桁高くなることを示した｡5Gなど､ネットワークエッジでノード分散ネットワークの計算､インテリジェントタスクを高スループットに実行するエンジンにフォトンは､理想的な組合せである｡ネットワークエッジでは､監視カメラ､光センサおよび他のソースからフォトンの形のデータ信号は､すでに存在するかも知れない｡
　
｢フォトニック特殊化プロセッサは､膨大な量のエネルギー節約となり､反応時間を改善し､データセンタトラフィックを減少させる｣(Miscuglio)｡

エンドユーザにとっては､データ処理が遙かに高速になる｡データの大きな部分が､予め処理されているからである｡つまり,データのほんの一部がクラウドあるいはデータセンタに送られるだけでよいことになる｡

(詳細は､https://publishing.aip.org/)