راه اندازی سرعت پیشرفت به سمت محاسبات با سرعت نور را افزایش می دهد | اخبار MIT

توانایی ما برای جمع کردن ترانزیستورهای کوچکتر روی یک تراشه، عصر امروزی رایانش همه جا را فعال کرده است. اما این رویکرد در نهایت با وجود برخی از کارشناسان با محدودیت هایی روبرو شده است اعلام پایان قانون مور و یک اصل مرتبط با آن، معروف به Dennard’s Scaling.

این تحولات نمی توانست در زمان بدتری رخ دهد. تقاضا برای قدرت محاسباتی در سال‌های اخیر تا حد زیادی به لطف ظهور هوش مصنوعی افزایش یافته است و هیچ نشانه‌ای از کاهش سرعت آن دیده نمی‌شود.

اکنون Lightmatter، شرکتی که توسط سه فارغ التحصیل MIT تأسیس شده است، با بازنگری در جریان حیات تراشه، به پیشرفت قابل توجه محاسبات ادامه می دهد. این شرکت به جای اتکای صرف به برق، از نور برای پردازش و انتقال داده ها نیز استفاده می کند. دو محصول اول این شرکت، یک تراشه متخصص در عملیات هوش مصنوعی و یک اتصال متقابل که انتقال داده‌ها را بین تراشه‌ها تسهیل می‌کند، از فوتون‌ها و الکترون‌ها برای انجام عملیات کارآمدتر استفاده می‌کنند.

دو مشکلی که ما در حال حل آن هستیم این است که تراشه ها چگونه صحبت می کنند؟ و چگونه این کارها را انجام می دهید [AI] محاسبات؟» یکی از بنیانگذاران و مدیر عامل شرکت Lightmatter، نیکلاس هریس PhD ’17 می گوید. با دو محصول اول خود، Envise و Passage، ما به هر دوی این سؤالات پاسخ می دهیم.

با توجه به بزرگی مشکل و تقاضا برای هوش مصنوعی، Lightmatter در سال 2023 حدود 300 میلیون دلار با ارزش 1.2 میلیارد دلار جمع آوری کرد. اکنون این شرکت در حال نمایش فناوری خود با برخی از بزرگترین شرکت های فناوری در جهان است به این امید که تقاضای انرژی عظیم مراکز داده و مدل های هوش مصنوعی را کاهش دهد.

هریس می گوید: “ما پلتفرم هایی را در بالای فناوری اتصال خود فعال می کنیم که از صدها هزار واحد محاسباتی نسل بعدی تشکیل شده است.” ”

از ایده تا 100 هزار دلار

قبل از MIT، هریس در شرکت نیمه هادی Micron Technology کار می کرد، جایی که او دستگاه های اساسی پشت تراشه های یکپارچه را مطالعه کرد. این تجربه باعث شد او ببیند که چگونه رویکرد سنتی برای بهبود عملکرد رایانه – چیدن ترانزیستورهای بیشتری بر روی هر تراشه – به محدودیت‌های خود رسیده است.

هریس می گوید: «من دیدم که چگونه نقشه راه برای محاسبات کند می شود، و می خواستم بفهمم چگونه می توانم آن را ادامه دهم. “چه رویکردهایی می تواند کامپیوترها را تقویت کند؟ محاسبات کوانتومی و فوتونیک دو تا از این مسیرها بودند.

هریس برای کار بر روی محاسبات کوانتومی فوتونیک برای دکترای خود زیر نظر Dirk Englund، دانشیار دپارتمان مهندسی برق و علوم کامپیوتر، به MIT آمد. به عنوان بخشی از این کار، او تراشه های فوتونیک یکپارچه مبتنی بر سیلیکون ساخت که می توانست اطلاعات را با استفاده از نور به جای برق ارسال و پردازش کند.

این کار منجر به ده ها ثبت اختراع و بیش از 80 مقاله تحقیقاتی در مجلات معتبر مانند طبیعت. اما فناوری دیگری نیز توجه هریس را در MIT جلب کرد.

هریس با اشاره به تکنیک هوش مصنوعی به یاد می‌آورد: «به یاد می‌آورم که در سالن قدم می‌زدم و دانش‌آموزانی را می‌دیدم که از این کلاس‌های درس به‌اندازه یک سالن بیرون می‌آمدند، ویدیوهای زنده پخش شده از سخنرانی‌ها را تماشا می‌کردند تا ببینم اساتید آموزش عمیق می‌دهند.» «همه در محوطه دانشگاه می‌دانستند که یادگیری عمیق کار بزرگی خواهد بود، بنابراین من شروع به یادگیری بیشتر در مورد آن کردم و متوجه شدیم که سیستم‌هایی که برای محاسبات کوانتومی فوتونیک می‌سازم در واقع می‌توانند برای انجام یادگیری عمیق مورد استفاده قرار گیرند.»

هریس قصد داشت بعد از دکترای خود استاد شود، اما متوجه شد که می‌تواند از طریق یک استارت‌آپ، بودجه بیشتری جذب کند و سریع‌تر نوآوری کند، بنابراین با داریوش بناندار PhD ’18، که او نیز در آزمایشگاه انگلوند تحصیل می‌کرد، و توماس گراهام MBA همکاری کرد. ’18. بنیانگذاران با برنده شدن در مسابقه کارآفرینی 100 هزار دلاری MIT در سال 2017 با موفقیت وارد دنیای استارتاپ شدند.

دیدن نور

تراشه Envise Lightmatter بخشی از محاسبات را بر عهده می گیرد که الکترون ها مانند حافظه به خوبی انجام می دهند و آن را با آنچه نور به خوبی انجام می دهد ترکیب می کند، مانند انجام ضرب های عظیم ماتریس مدل های یادگیری عمیق.

هریس توضیح می دهد: “با فوتونیک، می توانید چندین محاسبات را همزمان انجام دهید زیرا داده ها با رنگ های مختلف نور وارد می شوند.” “در یک رنگ، شما می توانید یک عکس از یک سگ داشته باشید. در رنگ دیگر، می توانید عکس یک گربه را داشته باشید. در رنگ دیگری، شاید یک درخت، و می‌توانید هر سه عملیات را همزمان از طریق واحد محاسبات نوری، این شتاب‌دهنده ماتریسی انجام دهید. این باعث افزایش عملیات در هر منطقه می‌شود و از سخت‌افزار موجود مجددا استفاده می‌کند و بازده انرژی را افزایش می‌دهد.»

Passage از مزایای تأخیر و پهنای باند نور برای پیوند دادن پردازنده‌ها به روشی مشابه نحوه استفاده کابل‌های فیبر نوری از نور برای ارسال داده در فواصل طولانی استفاده می‌کند. همچنین تراشه هایی به بزرگی ویفرها را قادر می سازد تا به عنوان یک پردازنده واحد عمل کنند. ارسال اطلاعات بین تراشه‌ها برای اجرای مزارع سرور عظیمی که محاسبات ابری را تامین می‌کنند و سیستم‌های هوش مصنوعی مانند ChatGPT را اجرا می‌کنند، مرکزی است.

هر دو محصول به گونه‌ای طراحی شده‌اند که بهره‌وری انرژی را در محاسبات به ارمغان بیاورند، که هریس می‌گوید برای همگامی با تقاضای فزاینده بدون افزایش شدید مصرف انرژی، لازم است.

هریس می‌گوید: «تا سال 2040، برخی پیش‌بینی می‌کنند که حدود 80 درصد از کل مصرف انرژی در این سیاره به مراکز داده و محاسبات اختصاص خواهد یافت، و هوش مصنوعی بخش بزرگی از آن خواهد بود». وقتی به استقرار محاسبات برای آموزش این مدل‌های بزرگ هوش مصنوعی نگاه می‌کنید، آنها به سمت استفاده از صدها مگاوات می‌روند. مصرف برق آنها در مقیاس شهرها است.»

Lightmatter در حال حاضر با سازندگان تراشه و ارائه دهندگان خدمات ابری برای استقرار انبوه کار می کند. هریس خاطرنشان می کند که از آنجایی که تجهیزات این شرکت بر روی سیلیکون کار می کند، می توان آن را با امکانات ساخت نیمه هادی های موجود بدون تغییرات عظیم در فرآیند تولید کرد.

این طرح‌های بلندپروازانه برای باز کردن مسیر جدیدی برای محاسبات طراحی شده‌اند که پیامدهای بزرگی برای محیط زیست و اقتصاد خواهد داشت.

هریس می‌گوید: «ما به بررسی تمام قطعات رایانه‌ها ادامه می‌دهیم تا بفهمیم که نور می‌تواند آنها را شتاب دهد، کارآمدتر انرژی و سریع‌تر کند، و به جایگزینی آن قطعات ادامه می‌دهیم». «در حال حاضر، ما بر روی اتصال با Passage و محاسبه با Envise تمرکز کرده‌ایم. اما با گذشت زمان، ما نسل بعدی رایانه‌ها را می‌سازیم و همه آن‌ها حول نور متمرکز خواهند شد.»