Forschung

Maschinelles Lernen mit Licht beschleunigen

22.01.2021 - Photonische Strukturen zur Mustererkennung untersucht.

Die Anforderungen von Muster- und Sprach­erken­nungen sowie dem autonomen Fahren über­steigen oft die Kapazi­täten herkömm­licher Computer-Prozes­soren. Wissen­schaftler der Uni Münster entwickeln in Zusammen­arbeit mit einem inter­natio­nalen Forscher­team neue Ansätze und Prozessor-Archi­tek­turen, die diesen Aufgaben gewachsen sind. Jetzt fanden sie heraus, dass photonische Prozes­soren, bei denen Daten mittels Licht trans­portiert werden, Informa­tionen sehr viel schneller und parallel verarbeiten als elektro­nische Chips.

Lichtbasierte Prozessoren zur Beschleunigung von Aufgaben im Bereich des maschinellen Lernens erlauben komplexe Rechen­aufgaben mit enorm hohen Geschwindig­keiten von 10¹² bis 10¹⁵ Operationen pro Sekunde zu verarbeiten. Herkömm­liche Chips, wie zum Beispiel Grafik­karten oder spezielle Hardware wie die Tensor Processing Unit von Google basieren auf einer elektro­nischen Daten­über­tragung und sind wesentlich langsamer. Das Forscher­team um Wolfram Pernice implemen­tierte einen Hardware­beschleuniger für Matrix­multi­plika­tionen, die die Haupt­rechen­last in der Berechnung von neuronalen Netzen darstellen.

Die Wissenschaftler kombinierten die photonischen Strukturen mit Phasen­wechsel­materialien – kurz PWMs – als energie­effiziente Speicher­elemente. PWMs werden üblicher­weise in der optischen Daten­speicherung mit DVDs oder Blue-Rays eingesetzt. Im dem neuen Prozessor ermöglicht das die Speicherung und den Erhalt der Matrix­elemente, ohne die Not­wendig­keit Energie zuzu­führen. Als Lichtquelle nutzten die Forscher einen chip­basierten Frequenz­kamm. Ein Frequenz­kamm bietet verschiedene optische Wellen­längen, die unabhängig vonein­ander im selben System verarbeitet werden. Dadurch ergibt sich eine parallele Daten­verarbeitung, das Wellen­längen­multiplex­verfahren.

In ihrem Experiment verwendeten die Wissen­schaftler ein „Convolu­tional Neural Network“ zur Erkennung hand­ge­schriebener Ziffern. Die Faltungs­operation zwischen Eingangs­daten und einem oder mehreren Filtern, die zum Beispiel eine Hervor­hebung von Kanten in einem Bild sein kann, lässt sich sehr gut auf unsere Matrix­archi­tektur übertragen. Das Ausnutzen von Licht für die Signal­über­tragung erlaubt dem Prozessor eine parallele Daten­verarbei­tung durch Wellen­längen­multiplexen, die zu einer höheren Rechen­dichte führt. Dabei werden viele Matrix­multipli­kationen in nur einem Zeitschritt durch­geführt. Anders als bei herkömm­licher Elektronik, die üblicher­weise im niedrigen Gigahertz-Bereich arbeitet, können optisch Modulations­geschwindig­keiten im Bereich von 50 bis 100 Gigahertz realisiert werden. Das Verfahren ermöglicht somit bisher unerreichte Daten­raten und Rechen­dichten, also Operationen pro Prozessor­fläche.

Die Ergebnisse sind vielfältig einsetzbar: Im Bereich der künst­lichen Intelligenz können mehr Daten zeitgleich und energie­effizient verarbeitet werden. Der Einsatz von größeren neuronalen Netzen erlaubt zudem genauere und bisher unerreichte Vorher­sagen sowie präzisere Daten­analysen. Beispiels­weise unter­stützen photonische Prozessoren die Auswertung großer Daten­mengen in der medizi­nischen Diagnostik, etwa bei hoch­auf­ge­lösten 3-D-Daten spezieller Bild­gebungs­verfahren. Weitere Anwendungs­gebiete sind zum anderen das autonome Fahren, das auf eine schnelle und genaue Auswertung der Sensor­daten angewiesen ist, sowie IT-Infra­strukturen wie „Cloud Computing“, die unter anderem Speicher­platz, Rechen­leistung oder Anwendungs­software bereit­stellen.

WWU / RK

Weitere Infos

Weitere Beiträge