محاسبات در سرعت نور؛ جایگزین آینده کارت گرافیک را بشناسید

با گسترش هوش مصنوعی، سخت‌افزارهای امروزی بیش از هر زمان دیگری بابت مصرف برق، آب و دیگر منابع، تحت فشار قرار گرفته‌اند. حالا پژوهشگران به سراغ روشی رفته‌اند که می‌تواند قواعد بازی را تغییر داده و جایگزین‌هایی بسیار کارآمد را به جای GPU و کارت‌های گرافیک به ما هدیه دهد: انجام محاسبات با نور، آن هم در سرعت نور.

با رشد انفجاری هوش مصنوعی و افزایش بی‌سابقه حجم داده‌ها، محدودیت‌های سخت‌افزارهای فعلی بیش از هر زمان دیگری نمایان شده است. پردازنده‌های گرافیکی یا GPUها که ستون فقرات آموزش و اجرای مدل‌های یادگیری عمیق (Machine Learning) محسوب می‌شوند، حالا با چالش‌هایی مانند مصرف بالای انرژی، مقیاس‌پذیری محدود و هزینه‌های سنگین زیرساختی مواجه‌اند. در همین شرایط، پژوهشی تازه از دانشگاه آلتو فنلاند، چشم‌اندازی متفاوت از آینده پردازش‌های سنگین ترسیم می‌کند؛ آینده‌ای که در آن محاسبات نه با الکترون، بلکه با نور انجام می‌شوند.

بنابر گزارش New Atlas، این پژوهش که توسط یوفنگ ژانگ از گروه فوتونیک دانشگاه آلتو و شیائوبینگ لیو از آکادمی علوم چین انجام شده و نتایج آن در نشریه معتبر Nature Photonics منتشر شده، روشی نوین برای «پردازش تانسوری تک‌مرحله‌ای در سرعت نور» معرفی می‌کند. در این رویکرد، عملیات محاسباتی پیچیده تنها با یک بار عبور نور از یک ساختار نوری انجام می‌شود؛ مفهومی که با عنوان Single-shot Light-speed Computing شناخته می‌شود.

چرا GPUها به بن‌بست نزدیک می‌شوند؟

نیاز به توان پردازشی بالاتر، دیگر فقط به اجرای هم‌زمان چند برنامه یا سرگرمی‌های دیجیتال محدود نیست. مدل‌های عظیم هوش مصنوعی، تحلیل کلان‌داده و کاربردهایی مانند پردازش زبان طبیعی و بینایی ماشین، حجم محاسباتی ایجاد کرده‌اند که حتی خوشه‌های بزرگ GPU نیز به‌سختی از پس آن برمی‌آیند. همانطور که عنوان شد، مراکز داده مبتنی بر GPU مصرف برق و آب بسیار بالایی دارند؛ مسئله‌ای که هم از نظر اقتصادی و هم از منظر پایداری محیط‌زیست، به یک چالش جدی تبدیل شده است.

محاسبه با نور به جای الکترون

در روش پیشنهادی تیم آلتو که POMMM نامیده می‌شود، اطلاعات به‌جای کدگذاری دودویی صفر و یک، با استفاده از دامنه و فاز امواج نوری نمایش داده می‌شوند. نور، ذاتاً امکان پردازش موازی را فراهم می‌کند و بر خلاف الکترون‌ها، با مقاومت الکتریکی و اتلاف انرژی مشابه مواجه نیست. همین ویژگی باعث می‌شود عملیات محاسباتی با سرعتی نزدیک به سرعت نور و با مصرف انرژی بسیار کمتر انجام شوند.

به گفته ژانگ، این روش می‌تواند همان عملیات کلیدی‌ای را انجام دهد که امروز GPUها در مدل‌های هوش مصنوعی اجرا می‌کنند؛ از جمله کانولوشن‌ها و لایه‌های توجه (Attention Layers) که اجزای اصلی شبکه‌های عصبی عمیق هستند. تفاوت در اینجاست که این عملیات نه به‌صورت مرحله‌به‌مرحله، بلکه به‌طور هم‌زمان و در یک فرآیند واحد انجام می‌شوند.

تانسورها؛ نقطه تمرکز این تحول

پردازش تانسوری، قلب تپنده الگوریتم‌های یادگیری عمیق است. تانسورها ساختارهایی چندبعدی برای سازمان‌دهی داده‌ها هستند که تقریباً در تمام کاربردهای پیشرفته هوش مصنوعی حضور دارند. در حالی که روش‌های قبلی محاسبات نوری در انجام عملیات تانسوری پیچیده ناکارآمد بودند، نوآوری تیم آلتو با استفاده از چندین طول موج نور به‌صورت هم‌زمان، این محدودیت را برطرف کرده و امکان اجرای عملیات بسیار سنگین را فراهم ساخته است.

ژانگ برای توضیح ساده‌تر این تفاوت، محاسبات الکترونیکی را به بررسی تک‌به‌تک بسته‌ها تشبیه می‌کند، در حالی که در محاسبات نوری، همه بسته‌ها و همه مراحل پردازش به‌طور هم‌زمان انجام می‌شوند؛ آن هم تنها با یک عبور نور.

آینده پردازش‌های هوش مصنوعی

به گفته ژیپی سون، مدیر گروه فوتونیک دانشگاه آلتو، این روش قابلیت پیاده‌سازی روی تقریباً هر پلتفرم نوری را دارد. هدف بعدی پژوهشگران، ادغام مستقیم این چارچوب محاسباتی روی تراشه‌های فوتونیکی است؛ تراشه‌هایی که می‌توانند پردازش‌های پیچیده هوش مصنوعی را با مصرف انرژی بسیار پایین انجام دهند.

اگر این فناوری طبق برنامه پیش برود، انتظار می‌رود طی پنج سال آینده امکان ادغام آن با سخت‌افزارهای موجود و پلتفرم‌های بزرگ فراهم شود. چنین تحولی می‌تواند آغازگر نسل جدیدی از سیستم‌های محاسباتی باشد که نه‌تنها محدودیت‌های GPUها را کاهش می‌دهند، بلکه مسیر دستیابی به هوش مصنوعی پیشرفته‌تر و مقیاس‌پذیرتر را هموار می‌کنند.