ТАСС, 16 февраля. Физики из США разработали фотонный чип, способный ускорять проведение операций перемножения матриц на вектор, одну из самых затратных и важных математических операций, используемых в процессе обучения и работы нейронных сетей. Об этом в пятницу сообщила пресс-служба Университета штата Пенсильвания (UPenn).

       "Ученые разработали новый чип, который использует волны света, а не импульсы электричества, для исполнения сложных математических расчетов, необходимых для обучения систем искусственного интеллекта. Эти чипы в перспективе радикально ускорят процесс подготовки нейросетей к работе, а также позволят снизить уровень потребления энергии", - говорится в сообщении.

       Фотонный чип был разработан группой физиков под руководством профессора UPenn Надера Энгхета. Чип представляет собой пластинку из кремния, внутри которой присутствует набор из множества частично пересекающихся и соединяющихся волноводов. Эти каналы устроены таким образом, что движущиеся через них лучи особым образом взаимодействуют и меняют свои свойства.

       Как объясняют физики, эти взаимодействия по своей сути эквивалентны тому, как если бы закодированные внутри потоков частиц света значения особым образом перемножались друг с другом. Это позволяет использовать фотонные чипы для перемножения матриц на вектор, ключевой математической операции, используемой в процессе обучения нейросетей для определения структуры всей сети.

       Для проверки работы этих фотонных чипов ученые изготовили несколько их вариаций, способных перемножать матрицы разных размерностей, получать исходные данные и передавать результаты вычислений. Последующие тесты подтвердили работоспособность фотонных чипов и указали на то, что их можно легко встроить в классические компьютерные микросхемы, что позволит использовать их в качестве ускорителя матричных вычислений.

       Как отмечают исследователи, использованные ими подходы для фабрикации фотонных чипов полностью совместимы с теми методами изготовления микрочипов, которые сейчас применяются в промышленности. Это позволит встроить их в качестве сопроцессора в современные GPU-чипы, которые сейчас широко используются в ИИ-индустрии, что значительно ускорит процесс обучения нейросетей и снизит потребление энергии.