光チップに学習させる

December, 6, 2022, Washington--多研究機関(George Washington University, Queens University, University of British Columbia and Princeton University)の研究チームは、マシンラーニングハードウエアを訓練できる光チップを開発した。

マシンラーニングアプリケーションは、McKinseyのレポートによると、年に1650億ドルに激増した。しかし、マシンが、画像の細部を認識するなどのインテリジェントタスクを実行できるようになる前に、トレーニングが必要である。Teslaのオートパイロットのような今日の人工知能(AI)システムは、電力消費で数百万ドルかかり、スーパーコンピュータのようなインフラストラクチャを必要とする。この激増するAIの「食欲」は、コンピュータハードウエアとAI需要との間のギャップをますます広げている。フォトニック集積回路(PICs)が、より高いコンビューティング性能を提供できるソリューションとして登場してきた。1秒/W当たりの実行数(TOPS/W)で計測される。しかし、データ分類に使用されるマシンインテリジェンスでコアオペレーションを改善したが、PICsは、まだ実際のフロントエンド学習とマシントレーニング(ML)プロセスを改善しなければならない。

解決策
MLは二段階法である。まず､データはシステムをトレーニングするために使われ、次に他のデータを使ってAIシステムのパフォーマンスをテストする。新しい論文では、研究チームは、正にそれを始めた。一つのトレーニングステップの後、チームは誤りを見つけ、第2のトレーニングサイクルでハードウエアを再構成する、十分なAIパフォーマンス達成まで、追加のトレーニングサイクルが続く(例えば、システムが、ムービーに登場する物体に正しくラベル付けすることができる)。これまでは、フォトニックチップは、分類とデータから情報を推理する能力を実証しただけであった。今回、研究チームは、トレーニングステップ自体をスピードアップすることができた。

この付加的AI機能は、MLとAIアプリケーション向けフォトニックチップ製造を利用するフォトニックテンソルコアと他のASICについての大きな取組の一部である。

「この新しいハードウエアは、MLシステムのトレーニングを高速化し、フォトニクスとエレクトロニクスチップが提供すべきものの最良を利用する。AIハードウエア加速への大きな飛躍である。これらは、半導体産業でわれわれが必要としてる種類の進歩である。これは、最近成立したCHIPS法によって強化されている」とワシントン大学の電気、コンピュータ工学教授、Volker Sorgerはコメントしている。
(詳細は、https://mediarelations.gwu.edu)