เส้นทางสู่คอมพิวเตอร์ควอนตัมเริ่มต้นด้วยจุดควอนตัม

เส้นทางสู่คอมพิวเตอร์ควอนตัมเริ่มต้นด้วยจุดควอนตัม

jumbo jili

คอมพิวเตอร์ควอนตัมเป็นหนึ่งในเทคโนโลยีที่ได้รับการจัดออกเป็นจัดเรียงของจอกศักดิ์สิทธิ์บางและยังคงเป็นเช่นเดียวกับที่ยากจะอธิบายกับผู้ที่ได้อ้างว่าจะประสบความสำเร็จก็จะถูกมองด้วยระดับสูงของความสงสัย
ถนนสายหนึ่งที่ได้รับการติดตามในการตระหนักถึงคอมพิวเตอร์ควอนตัมของรัฐที่มั่นคงได้รับการใช้งานของจุดควอนตัมเป็นบล็อกอาคาร

สล็อต

จุดควอนตัมเป็นปรากฏการณ์ที่แปลกประหลาด Eric Guizzo บรรณาธิการสเปกตรัมอธิบายไว้อย่างดีในแอปพลิเคชันคอมพิวเตอร์ควอนตัมว่า:
“พวกมันเป็นโครงสร้างระดับนาโนที่สร้างขึ้นภายในวัสดุเซมิคอนดักเตอร์ที่มีแอ่งอิเล็กตรอนเล็ก ๆ ซึ่งทำให้แต่ละจุดมีคุณสมบัติเชิงกลของควอนตัมที่เรียกว่าสปิน การหมุนของจุด ซึ่งสามารถขึ้นหรือลงได้ แสดงถึงบิตของข้อมูลควอนตัม หรือ qubits เนื่องจากคุณสมบัติของควอนตัม เช่น สปิน สามารถมีอยู่ในสองสถานะในคราวเดียว ทั้งขึ้นและลงในกรณีของสปิน คอมพิวเตอร์ที่ใช้ qubits สามารถคำนวณได้หลายอย่างพร้อมกัน”
ความสามารถนี้อาจนำไปสู่ความสามารถในการคำนวณที่เร็วกว่ามาก ซึ่งคอมพิวเตอร์แบบเดิมต้องใช้เวลาหลายทศวรรษกว่าจะแยกตัวประกอบตัวเลข 300 หลักที่คอมพิวเตอร์ควอนตัมสามารถทำได้ภายในเวลาไม่กี่ชั่วโมงหรือเป็นวัน
ตอนนี้นักวิจัยจากมหาวิทยาลัยนิวเซาธ์เวลส์ในออสเตรเลียนำโดยศาสตราจารย์มิเชลล์ซิมมอนส์ได้สร้างทรานซิสเตอร์โดยใช้จุดควอนตัม ที่เล็กกว่าที่ใช้กันทั่วไปถึง 10 เท่าในขณะที่ทำงานเพื่อบรรลุเป้าหมายสูงสุดในการสร้างคอมพิวเตอร์ควอนตัม
นักวิจัยสามารถสร้างทรานซิสเตอร์ได้โดยแทนที่อะตอมทั้งเจ็ดในผลึกซิลิกอนด้วยอะตอมของฟอสฟอรัส เพื่อให้คุณเข้าใจถึงสเกล สุดขั้วของกระบวนการ CMOS ในปัจจุบัน โหนด 22nm มีประตูทรานซิสเตอร์ 42 อะตอม
งานวิจัยซึ่งตีพิมพ์ครั้งแรกในวารสารNature Nanotechnology , เครื่องหมายครั้งแรกที่จะได้รับเป็นไปได้ที่จะกำหนดตำแหน่งและพฤติกรรมของอะตอมเดียวภายในทรานซิสเตอร์ตามซิมมอนส์
“โดยพื้นฐานแล้วเรากำลังควบคุมธรรมชาติในระดับอะตอม” ซิมมอนส์กล่าว “นี่เป็นหนึ่งในเหตุการณ์สำคัญในการสร้างคอมพิวเตอร์ควอนตัม”
มีปัญหาเช่นการพัวพัน การมีเพศสัมพันธ์ระหว่าง quibits ที่จะได้รับการแก้ไข แต่เป็นขั้นตอนสู่คอมพิวเตอร์ควอนตัม
ปริมาณพลังประมวลผลที่ปลายนิ้วของผู้คนเริ่มเพิ่มขึ้นอย่างก้าวกระโดดในช่วงเปลี่ยนสหัสวรรษ เมื่อหน่วยประมวลผลกราฟิก (GPU) เริ่มถูก ควบคุมสำหรับการคำนวณแบบไม่ใช้กราฟิกซึ่งเป็นแนวโน้มที่แพร่หลายมากขึ้นเรื่อยๆ ในช่วงทศวรรษที่ผ่านมา แต่ความต้องการด้านคอมพิวเตอร์ของการเรียนรู้เชิงลึกนั้นเพิ่มขึ้นเร็วยิ่งขึ้นไปอีก ไดนามิกนี้ได้กระตุ้นให้วิศวกรพัฒนาตัวเร่งฮาร์ดแวร์อิเล็กทรอนิกส์ที่กำหนดเป้าหมายไปยังการเรียนรู้เชิงลึกโดยเฉพาะหน่วยประมวลผลเทนเซอร์ (TPU)ของ Google เป็นตัวอย่างที่สำคัญ
ในที่นี้ ฉันจะอธิบายแนวทางที่แตกต่างออกไปอย่างมากสำหรับปัญหานี้ โดยใช้ตัวประมวลผลแบบออปติคัลเพื่อคำนวณโครงข่ายประสาทเทียมด้วยโฟตอนแทนอิเล็กตรอน เพื่อให้เข้าใจว่าเลนส์สามารถให้บริการที่นี่ได้อย่างไร คุณจำเป็นต้องรู้เล็กน้อยเกี่ยวกับวิธีที่คอมพิวเตอร์ทำการคำนวณโครงข่ายประสาทเทียมในปัจจุบัน ดังนั้นโปรดอดทนกับฉันในขณะที่ฉันร่างสิ่งที่เกิดขึ้นภายใต้ประทุน
เซลล์ประสาทเทียมเกือบจะสม่ำเสมอถูกสร้างขึ้นโดยใช้ซอฟต์แวร์พิเศษที่ทำงานบนคอมพิวเตอร์อิเล็กทรอนิกส์ดิจิทัลบางประเภท ซอฟต์แวร์นั้นให้เซลล์ประสาทที่กำหนดด้วยอินพุตหลายตัวและเอาต์พุตเดียว สถานะของเซลล์ประสาทแต่ละเซลล์ขึ้นอยู่กับผลรวมถ่วงน้ำหนักของอินพุต ซึ่งใช้ฟังก์ชันไม่เชิงเส้นที่เรียกว่าฟังก์ชันกระตุ้น ผลลัพธ์ ผลลัพธ์ของเซลล์ประสาทนี้ กลายเป็นอินพุตสำหรับเซลล์ประสาทอื่นๆ
การลดความต้องการพลังงานของโครงข่ายประสาทเทียมอาจต้องใช้การคำนวณด้วยแสง
เพื่อประสิทธิภาพในการคำนวณ เซลล์ประสาทเหล่านี้จะถูกจัดกลุ่มเป็นชั้น โดยเซลล์ประสาทจะเชื่อมต่อกับเซลล์ประสาทในชั้นที่อยู่ติดกันเท่านั้น ประโยชน์ของการจัดเรียงสิ่งต่างๆ ในลักษณะนี้ แทนที่จะยอมให้มีการเชื่อมต่อระหว่างเซลล์ประสาทสองเซลล์ใดๆ ก็คือ อนุญาตให้ใช้ลูกเล่นทางคณิตศาสตร์ของพีชคณิตเชิงเส้นเพื่อเร่งการคำนวณได้
แม้ว่าจะไม่ใช่เรื่องราวทั้งหมด แต่การคำนวณพีชคณิตเชิงเส้นเหล่านี้เป็นส่วนที่ต้องใช้การคำนวณมากที่สุดในการเรียนรู้เชิงลึก โดยเฉพาะอย่างยิ่งเมื่อขนาดของเครือข่ายเติบโตขึ้น สิ่งนี้เป็นจริงสำหรับทั้งการฝึกอบรม (กระบวนการกำหนดน้ำหนักที่จะใช้กับอินพุตของเซลล์ประสาทแต่ละเซลล์) และการอนุมาน (เมื่อโครงข่ายประสาทเทียมให้ผลลัพธ์ที่ต้องการ)
การคำนวณพีชคณิตเชิงเส้นลึกลับเหล่านี้คืออะไร พวกมันไม่ได้ซับซ้อนขนาดนั้นจริงๆ ซึ่งเกี่ยวข้องกับการดำเนินการกับ เมทริกซ์ซึ่งเป็นเพียงอาร์เรย์ตัวเลขสี่เหลี่ยม—สเปรดชีต ถ้าคุณต้องการ ลบส่วนหัวของคอลัมน์อธิบายที่คุณอาจพบในไฟล์ Excel ทั่วไป
นี่เป็นข่าวดีเพราะฮาร์ดแวร์คอมพิวเตอร์สมัยใหม่ได้รับการปรับแต่งมาอย่างดีสำหรับการดำเนินการเมทริกซ์ ซึ่งเป็นส่วนสำคัญในการประมวลผลประสิทธิภาพสูงมานานก่อนที่การเรียนรู้เชิงลึกจะเป็นที่นิยม การคำนวณเมทริกซ์ที่เกี่ยวข้องสำหรับการเรียนรู้เชิงลึกทำให้เกิดการดำเนินการคูณและสะสมจำนวนมาก โดยนำคู่ของตัวเลขมาคูณกันและผลิตภัณฑ์ของพวกมันจะถูกรวมเข้าด้วยกัน
ในช่วงหลายปีที่ผ่านมา การเรียนรู้เชิงลึกจำเป็นต้องมีการดำเนินการแบบทวีคูณและสะสมจำนวนมากขึ้นเรื่อยๆ พิจารณา LeNetซึ่งเป็นเครือข่ายประสาทเทียมระดับลึกที่บุกเบิกซึ่งออกแบบมาเพื่อจัดหมวดหมู่ภาพ ในปีพ.ศ. 2541 มีการแสดงว่ามีประสิทธิภาพเหนือกว่าเทคนิคอื่นๆ ของเครื่องในการจดจำตัวอักษรและตัวเลขที่เขียนด้วยลายมือ แต่ภายในปี 2012 AlexNetโครงข่ายประสาทเทียมที่ผ่านกระบวนการทวีคูณและสะสมประมาณ 1,600 เท่าของ LeNet ก็สามารถจดจำวัตถุประเภทต่างๆ หลายพันชนิดในภาพได้
ความก้าวหน้าจากความสำเร็จเริ่มต้นของ LeNet สู่ AlexNet นั้นต้องการประสิทธิภาพการประมวลผลเกือบ 11 เท่า ในช่วง 14 ปีที่ผ่านมา กฎของมัวร์ให้การเพิ่มขึ้นอย่างมาก ความท้าทายคือการทำให้แนวโน้มนี้ดำเนินต่อไปในขณะที่กฎของมัวร์กำลังจะหมดลง วิธีแก้ปัญหาปกติคือการใช้ทรัพยากรการประมวลผลมากขึ้น—พร้อมกับเวลา, เงิน, และพลังงาน—ที่ปัญหา
ด้วยเหตุนี้ การฝึกอบรมโครงข่ายประสาทเทียมขนาดใหญ่ในปัจจุบันจึงมักมีผลกระทบต่อสิ่งแวดล้อมอย่างมาก หนึ่ง 2019 การศึกษาพบเช่นว่าการฝึกอบรมเครือข่ายประสาทบางอย่างลึกสำหรับการประมวลผลภาษาธรรมชาติผลิตห้าครั้ง CO 2การปล่อยมักจะเกี่ยวข้องกับการขับขี่รถยนต์ในช่วงชีวิตของมัน
การปรับปรุงในคอมพิวเตอร์อิเล็กทรอนิกส์แบบดิจิทัลช่วยให้การเรียนรู้เชิงลึกเบ่งบานได้อย่างแน่นอน แต่นั่นไม่ได้หมายความว่าวิธีเดียวในการคำนวณเครือข่ายประสาทคือการใช้เครื่องดังกล่าว ทศวรรษที่แล้ว เมื่อคอมพิวเตอร์ดิจิทัลยังค่อนข้างเป็นพื้นฐาน วิศวกรบางคนจัดการกับการคำนวณที่ยากลำบากโดยใช้คอมพิวเตอร์แอนะล็อกแทน เมื่ออุปกรณ์อิเล็กทรอนิกส์ดิจิทัลดีขึ้น คอมพิวเตอร์แอนะล็อกเหล่านั้นก็ล้มลงข้างทาง แต่อาจถึงเวลาที่ต้องใช้กลยุทธ์นั้นอีกครั้ง โดยเฉพาะอย่างยิ่งเมื่อการคำนวณแบบแอนะล็อกสามารถทำได้แบบออปติคัล
เป็นที่ทราบกันมานานแล้วว่าเส้นใยแก้วนำแสงสามารถรองรับอัตราข้อมูลที่สูงกว่าสายไฟฟ้าได้มาก นั่นเป็นสาเหตุที่สายการสื่อสารระยะไกลทั้งหมดมีทัศนวิสัยตั้งแต่ปลายทศวรรษ 1970 ตั้งแต่นั้นมา ดาต้าลิงค์แบบออปติคัลได้เข้ามาแทนที่สายทองแดงสำหรับช่วงที่สั้นลงและสั้นลง ไปจนถึงการสื่อสารแบบแร็คต่อแร็คในศูนย์ข้อมูล การสื่อสารข้อมูลแบบออปติคัลเร็วขึ้นและใช้พลังงานน้อยลง การประมวลผลแบบออปติคอลให้ข้อดีเช่นเดียวกัน
แต่มีความแตกต่างอย่างมากระหว่างการสื่อสารข้อมูลและการคำนวณด้วย และนี่คือจุดที่แอนะล็อกออปติคัลเข้าใกล้สิ่งกีดขวางบนถนน คอมพิวเตอร์ทั่วไปใช้ทรานซิสเตอร์ ซึ่งเป็นองค์ประกอบวงจรที่ไม่เชิงเส้นสูง ซึ่งหมายความว่าเอาต์พุตไม่ได้เป็นเพียงสัดส่วนกับอินพุต อย่างน้อยก็เมื่อใช้สำหรับการคำนวณ ความไม่เชิงเส้นคือสิ่งที่ช่วยให้ทรานซิสเตอร์สามารถเปิดและปิดได้ ทำให้สามารถปรับเปลี่ยนให้เป็นลอจิกเกทได้ การเปลี่ยนนี้ทำได้ง่ายด้วยอุปกรณ์อิเล็กทรอนิกส์ ซึ่งความไม่เชิงเส้นนั้นมีค่าเพียงเล็กน้อย แต่โฟตอนเป็นไปตามสมการของแมกซ์เวลล์ ซึ่งเป็นเส้นตรงที่น่ารำคาญ หมายความว่าโดยทั่วไปแล้วเอาต์พุตของอุปกรณ์ออปติคัลจะเป็นสัดส่วนกับอินพุตของมัน
เคล็ดลับคือการใช้ความเป็นเส้นตรงของอุปกรณ์ออปติคัลเพื่อทำสิ่งหนึ่งที่การเรียนรู้เชิงลึกอาศัยมากที่สุด นั่นคือพีชคณิตเชิงเส้น
เพื่อแสดงให้เห็นว่าสามารถทำได้อย่างไร ฉันจะอธิบายอุปกรณ์โฟโตนิกที่เมื่อประกอบเข้ากับอุปกรณ์อิเล็กทรอนิกส์แบบแอนะล็อกอย่างง่าย สามารถคูณเมทริกซ์สองตัวเข้าด้วยกันได้ การคูณดังกล่าวจะรวมแถวของเมทริกซ์หนึ่งเข้ากับคอลัมน์ของอีกคอลัมน์หนึ่ง แม่นยำยิ่งขึ้น มันคูณคู่ของตัวเลขจากแถวและคอลัมน์เหล่านี้ และเพิ่มผลิตภัณฑ์เข้าด้วยกัน—การดำเนินการคูณและสะสมที่ฉันอธิบายไว้ก่อนหน้านี้ เพื่อนร่วมงานของเอ็มไอทีของฉันและฉันตีพิมพ์บทความเกี่ยวกับวิธีการนี้สามารถทำได้ ใน 2019 เรากำลังดำเนินการสร้างตัวคูณเมทริกซ์ออปติคัลดังกล่าว

สล็อตออนไลน์

การสื่อสารข้อมูลแบบออปติคัลเร็วขึ้นและใช้พลังงานน้อยลง การประมวลผลแบบออปติคอลมีข้อดีเช่นเดียวกัน
หน่วยคอมพิวเตอร์ขั้นพื้นฐานในอุปกรณ์นี้เป็นองค์ประกอบแสงที่เรียกว่า แยกลำแสง แม้ว่าการแต่งหน้าจะซับซ้อนกว่าจริง ๆ แต่คุณสามารถมองได้ว่าเป็นกระจกครึ่งเงินที่วางทำมุม 45 องศา หากคุณส่งลำแสงเข้ามาจากด้านข้าง ตัวแยกลำแสงจะยอมให้แสงครึ่งหนึ่งส่องผ่านตรงไป ส่วนอีกครึ่งหนึ่งจะสะท้อนจากกระจกที่ทำมุมทำให้สะท้อนแสงที่ 90 องศาจากลำแสงที่เข้ามา .
ตอนนี้ฉายลำแสงที่สองซึ่งตั้งฉากกับลำแสงแรกเข้าไปในตัวแยกลำแสงเพื่อให้กระทบกับกระจกเงาอีกด้าน ครึ่งหนึ่งของลำแสงที่สองนี้จะถูกส่งในลักษณะเดียวกันและสะท้อนครึ่งหนึ่งที่ 90 องศา ลำแสงเอาท์พุตทั้งสองจะรวมกับเอาท์พุตทั้งสองจากลำแสงแรก ดังนั้นตัวแยกลำแสงนี้มีอินพุต 2 ตัวและเอาต์พุต 2 ตัว
ในการใช้อุปกรณ์นี้สำหรับการคูณเมทริกซ์ คุณต้องสร้างลำแสงสองลำที่มีความเข้มสนามไฟฟ้าที่เป็นสัดส่วนกับตัวเลขสองตัวที่คุณต้องการคูณ ขอเรียกเหล่านี้ความเข้มสนาม xและy ที่ ส่องลำแสงทั้งสองเข้าไปในตัวแยกลำแสง ซึ่งจะรวมลำแสงทั้งสองนี้เข้าด้วยกัน ตัวแยกลำแสงเฉพาะนี้ทำในลักษณะที่จะสร้างสองเอาต์พุตที่มีสนามไฟฟ้ามีค่าเป็น ( x + y )/√2 และ ( x − y )/√2
นอกจากตัวแยกลำแสงแล้ว ตัวคูณแบบแอนะล็อกนี้ต้องใช้ส่วนประกอบอิเล็กทรอนิกส์อย่างง่ายสองชิ้น—เครื่องตรวจจับแสง—เพื่อวัดลำแสงเอาต์พุตทั้งสอง พวกเขาไม่ได้วัดความเข้มสนามไฟฟ้าของคานเหล่านั้น พวกเขาวัดกำลังของลำแสงซึ่งเป็นสัดส่วนกับกำลังสองของความเข้มสนามไฟฟ้า
เหตุใดความสัมพันธ์นั้นจึงสำคัญ เพื่อให้เข้าใจว่าต้องใช้พีชคณิต—แต่ไม่มีอะไรมากไปกว่าสิ่งที่คุณเรียนรู้ในโรงเรียนมัธยมศึกษาตอนปลาย จำได้ว่าเมื่อคุณยกกำลังสอง ( x + y )/√2 คุณจะได้ ( x 2 + 2 xy + y 2 )/2 และเมื่อคุณยกกำลังสอง ( x − y )/√2 คุณจะได้ ( x 2 − 2 xy + y 2 )/2 ลบหลังจากอดีตให้ 2 XY
หยุดชั่วคราวเพื่อไตร่ตรองถึงความสำคัญของคณิตศาสตร์ง่ายๆ นี้ หมายความว่า หากคุณเข้ารหัสตัวเลขเป็นลำแสงที่มีความเข้มระดับหนึ่งและอีกจำนวนหนึ่งเป็นลำแสงที่มีความเข้มอื่น ให้ส่งผ่านตัวแยกลำแสงดังกล่าว วัดเอาต์พุตทั้งสองด้วยเครื่องตรวจจับแสง และลบล้างหนึ่งในสัญญาณไฟฟ้าที่เป็นผล ก่อนที่จะรวมเข้าด้วยกัน คุณจะมีสัญญาณที่ได้สัดส่วนกับผลคูณของตัวเลขทั้งสองของคุณ
คำอธิบายของฉันทำให้ดูเหมือนว่าลำแสงเหล่านี้แต่ละอันจะต้องคงที่ ที่จริงแล้ว คุณสามารถพัลส์แสงในลำแสงอินพุตทั้งสองแบบชั่วครู่และวัดพัลส์เอาต์พุตได้ ยิ่งไปกว่านั้น คุณสามารถป้อนสัญญาณเอาท์พุตไปยังตัวเก็บประจุ ซึ่งจะสะสมประจุไว้ได้นานเท่าที่ชีพจรจะคงอยู่ จากนั้นคุณสามารถพัลส์อินพุตอีกครั้งในช่วงเวลาเดียวกัน คราวนี้เป็นการเข้ารหัสตัวเลขใหม่สองตัวเพื่อคูณเข้าด้วยกัน ผลิตภัณฑ์ของพวกเขาเพิ่มประจุให้กับตัวเก็บประจุมากขึ้น คุณสามารถทำขั้นตอนนี้ซ้ำได้มากเท่าที่ต้องการ ทุกครั้งที่ดำเนินการคูณและสะสมอีกครั้ง
การใช้แสงพัลส์ในลักษณะนี้ทำให้คุณสามารถดำเนินการดังกล่าวได้หลายอย่างในลำดับการยิงที่รวดเร็ว ส่วนที่ใช้พลังงานมากที่สุดคือการอ่านแรงดันไฟฟ้าบนตัวเก็บประจุนั้น ซึ่งต้องใช้ตัวแปลงอนาล็อกเป็นดิจิตอล แต่คุณไม่จำเป็นต้องทำอย่างนั้นหลังจากแต่ละพัลส์—คุณสามารถรอจนกระทั่งสิ้นสุดลำดับของ พูดว่า Nพัลส์ นั่นหมายความว่าอุปกรณ์สามารถดำเนินการNคูณและสะสมโดยใช้พลังงานจำนวนเท่ากันเพื่ออ่านคำตอบว่าNมีขนาดเล็กหรือใหญ่ ในที่นี้Nสอดคล้องกับจำนวนเซลล์ประสาทต่อเลเยอร์ในโครงข่ายประสาทของคุณ ซึ่งสามารถนับได้เป็นพันๆ อย่างง่ายดาย ดังนั้นกลยุทธ์นี้จึงใช้พลังงานน้อยมาก

jumboslot

บางครั้งคุณสามารถประหยัดพลังงานในด้านอินพุตของสิ่งต่างๆ ได้เช่นกัน นั่นเป็นเพราะว่าค่าเดียวกันนี้มักถูกใช้เป็นอินพุตไปยังเซลล์ประสาทหลายเซลล์ แทนที่จะแปลงตัวเลขดังกล่าวเป็นแสงหลายครั้ง—ใช้พลังงานในแต่ละครั้ง—สามารถเปลี่ยนได้เพียงครั้งเดียว และลำแสงที่สร้างขึ้นสามารถแบ่งออกเป็นหลายช่องสัญญาณ ด้วยวิธีนี้ ต้นทุนพลังงานของการแปลงข้อมูลเข้าจะถูกตัดจำหน่ายผ่านการดำเนินการหลายอย่าง
การแยกลำแสงหนึ่งออกเป็นหลายช่องไม่จำเป็นต้องซับซ้อนมากไปกว่าเลนส์ แต่เลนส์อาจเป็นเรื่องยากที่จะใส่ลงบนชิป ดังนั้นอุปกรณ์ที่เรากำลังพัฒนาเพื่อทำการคำนวณโครงข่ายประสาทเทียม อาจเป็นอุปกรณ์ไฮบริดที่รวมชิปโฟโตนิกที่ผสานรวมเข้ากับองค์ประกอบออปติคัลที่แยกจากกัน
ฉันได้อธิบายกลยุทธ์ที่เพื่อนร่วมงานของฉันและฉันใฝ่หามาไว้ที่นี่แล้ว แต่มีวิธีอื่นๆ ในการลอกผิวหนังแมวที่มองเห็นได้ อีกรูปแบบหนึ่งที่มีแนวโน้มว่าจะเป็นไปตามสิ่งที่เรียกว่าเครื่องวัดระยะใกล้ Mach-Zehnder ซึ่งรวมตัวแยกลำแสงสองตัวและกระจกสะท้อนแสงสองตัว นอกจากนี้ยังสามารถใช้เพื่อทำการคูณเมทริกซ์แบบออปติคัลได้อีกด้วย LightmatterและLightelligenceซึ่งเป็นบริษัทสตาร์ทอัพที่ใช้ MIT สองแห่งกำลังพัฒนาตัวเร่งความเร็วเครือข่ายประสาทแบบออปติคัลตามแนวทางนี้ Lightmatter ได้สร้างต้นแบบที่ใช้ชิปออปติคัลที่ประดิษฐ์ขึ้นแล้ว และบริษัทคาดว่าจะเริ่มขายบอร์ดเร่งความเร็วแบบออปติคัลซึ่งใช้ชิปตัวนั้นในปลายปีนี้
การเริ่มต้นอื่นที่ใช้เลนส์สำหรับการคำนวณคือ Optalysisซึ่งหวังว่าจะรื้อฟื้นแนวคิดที่ค่อนข้างเก่า การใช้คอมพิวเตอร์ออปติคอลครั้งแรกในทศวรรษ 1960คือการประมวลผลข้อมูลเรดาร์รูรับแสงสังเคราะห์ ส่วนสำคัญของความท้าทายคือการนำไปใช้กับข้อมูลที่วัดได้ซึ่งเป็นการดำเนินการทางคณิตศาสตร์ที่เรียกว่าการแปลงฟูริเยร์ คอมพิวเตอร์ดิจิทัลในสมัยนั้นต่อสู้กับสิ่งเหล่านี้ แม้กระทั่งตอนนี้ การใช้การแปลงฟูริเยร์กับข้อมูลจำนวนมากก็สามารถทำได้อย่างเข้มข้นในการคำนวณ แต่การแปลงฟูริเยร์สามารถทำได้ด้วยแสงโดยไม่มีอะไรซับซ้อนไปกว่าเลนส์ ซึ่งเป็นเวลาหลายปีที่วิศวกรประมวลผลข้อมูลรูรับแสงสังเคราะห์ Optalysis หวังที่จะนำวิธีการนี้เป็นปัจจุบันและนำไปใช้อย่างกว้างขวางมากขึ้น
ในทางทฤษฎี โฟโตนิกส์มีศักยภาพในการเร่งการเรียนรู้เชิงลึกด้วยลำดับความสำคัญหลายระดับ
นอกจากนี้ยังมี บริษัท ที่เรียกว่า การส่องสว่าง , ปั่นออกจากมหาวิทยาลัยพรินซ์ตันซึ่งเป็นที่ทำงานเพื่อสร้างเครือข่ายประสาทองศาขึ้นอยู่กับสิ่งที่เรียกว่าเซลล์ประสาทเลเซอร์ การขยับโครงข่ายประสาทเทียมเลียนแบบการทำงานของโครงข่ายประสาทชีวภาพอย่างใกล้ชิดยิ่งขึ้น และเช่นเดียวกับสมองของเราเอง สามารถคำนวณโดยใช้พลังงานเพียงเล็กน้อย ฮาร์ดแวร์ของ Luminous ยังอยู่ในช่วงเริ่มต้นของการพัฒนา แต่คำมั่นสัญญาที่จะรวมแนวทางการประหยัดพลังงานสองวิธี ได้แก่ การพุ่งขึ้นและการมองเห็นนั้นค่อนข้างน่าตื่นเต้น
แน่นอนว่ายังมีความท้าทายทางเทคนิคมากมายที่ต้องเอาชนะ หนึ่งคือการปรับปรุงความแม่นยำและช่วงไดนามิกของการคำนวณออปติคัลแอนะล็อก ซึ่งไม่มีที่ไหนเลยที่ใกล้จะดีเท่ากับสิ่งที่สามารถทำได้ด้วยอุปกรณ์อิเล็กทรอนิกส์ดิจิทัล นั่นเป็นเพราะว่าโปรเซสเซอร์ออปติคัลเหล่านี้ได้รับผลกระทบจากแหล่งสัญญาณรบกวนต่างๆ และเนื่องจากตัวแปลงดิจิทัลเป็นแอนะล็อกและแอนะล็อกเป็นดิจิทัลที่ใช้ในการรับข้อมูลเข้าและออกมีความแม่นยำจำกัด อันที่จริง เป็นเรื่องยากที่จะจินตนาการว่าโครงข่ายประสาทเทียมแบบออปติคัลทำงานด้วยความแม่นยำมากกว่า 8 ถึง 10 บิต แม้ว่าจะมีฮาร์ดแวร์การเรียนรู้เชิงลึกอิเล็กทรอนิกส์แบบ 8 บิตอยู่แล้ว (Google TPU เป็นตัวอย่างที่ดี) อุตสาหกรรมนี้ต้องการความแม่นยำที่สูงขึ้น โดยเฉพาะอย่างยิ่งสำหรับการฝึกอบรมเกี่ยวกับโครงข่ายประสาทเทียม
นอกจากนี้ยังมีความยากลำบากในการรวมส่วนประกอบออปติคัลเข้ากับชิป เนื่องจากส่วนประกอบเหล่านี้มีขนาดหลายสิบไมโครเมตร จึงไม่สามารถบรรจุได้เกือบแน่นเท่ากับทรานซิสเตอร์ ดังนั้นพื้นที่ชิปที่ต้องการจึงเพิ่มขึ้นอย่างรวดเร็ว การสาธิตวิธีการนี้ในปี 2560โดยนักวิจัยของ MIT เกี่ยวข้องกับชิปที่ด้านข้าง 1.5 มิลลิเมตร แม้แต่ชิปที่ใหญ่ที่สุดก็มีขนาดไม่เกินหลายตารางเซนติเมตร ซึ่งจำกัดขนาดของเมทริกซ์ที่สามารถประมวลผลแบบคู่ขนานได้ด้วยวิธีนี้
มีคำถามเพิ่มเติมอีกมากในด้านสถาปัตยกรรมคอมพิวเตอร์ที่นักวิจัยด้านโฟโตนิกส์มักจะกวาดดูใต้พรม สิ่งที่ชัดเจนก็คือ อย่างน้อยในทางทฤษฎี โฟโตนิกส์มีศักยภาพที่จะเร่งการเรียนรู้เชิงลึกด้วยลำดับความสำคัญหลายระดับ
ด้วยเทคโนโลยีที่มีอยู่ในปัจจุบันสำหรับส่วนประกอบต่างๆ (โมดูเลเตอร์ออปติคัล เครื่องตรวจจับ แอมพลิฟายเออร์ ตัวแปลงอนาล็อกเป็นดิจิตอล) มีเหตุผลที่จะคิดว่าประสิทธิภาพการใช้พลังงานของการคำนวณโครงข่ายประสาทเทียมสามารถทำได้ดีกว่าโปรเซสเซอร์อิเล็กทรอนิกส์ในปัจจุบันถึง 1,000 เท่า . การตั้งสมมติฐานเชิงรุกมากขึ้นเกี่ยวกับเทคโนโลยีด้านการมองเห็นที่เกิดขึ้นใหม่ ปัจจัยนั้นอาจมีขนาดใหญ่ถึงหนึ่งล้าน และเนื่องจากโปรเซสเซอร์อิเล็กทรอนิกส์มีข้อจำกัดด้านพลังงาน การปรับปรุงประสิทธิภาพด้านพลังงานเหล่านี้น่าจะแปลเป็นการปรับปรุงความเร็วที่สอดคล้องกัน

slot

แนวคิดหลายอย่างในการประมวลผลแบบออปติคัลแบบแอนะล็อกมีมานานหลายทศวรรษ บางรุ่นถึงก่อนคอมพิวเตอร์ซิลิกอน แผนการสำหรับการคูณเมทริกซ์แสงและ แม้สำหรับเครือข่ายประสาทออปติคอลได้แสดงให้เห็นเป็นครั้งแรกในปี 1970 แต่วิธีนี้ไม่ทัน ครั้งนี้จะต่างจากเดิมไหม? อาจด้วยเหตุผลสามประการ
ประการแรก การเรียนรู้เชิงลึกมีประโยชน์อย่างแท้จริงในตอนนี้ ไม่ใช่แค่ความอยากรู้ทางวิชาการเท่านั้น ประการที่สอง เราไม่สามารถพึ่งพากฎของมัวร์เพียงอย่างเดียวเพื่อปรับปรุงอุปกรณ์อิเล็กทรอนิกส์ต่อไป และสุดท้าย เรามีเทคโนโลยีใหม่ที่ไม่สามารถใช้ได้กับคนรุ่นก่อน นั่นคือ photonics แบบบูรณาการ ปัจจัยเหล่านี้ชี้ให้เห็นว่าเครือข่ายประสาทเทียมแบบออปติคัลจะมาถึงจริงในเวลานี้ และอนาคตของการคำนวณดังกล่าวอาจเป็นโฟโตนิก

This entry was posted in Slot and tagged , , , , . Bookmark the permalink.