hirdetés
hirdetés

A fénnyel történő számítás csökkentheti a neurális hálózatok működésének energiaigényét

Gondoljon arra a rengeteg feladatra és akár emberi  intuíciót igénylő döntésre, amelyeket korábban a számítógépek képtelenek lettek volna az emberek támogatása nélkül elvégezni. Ilyen például a tárgyak és személyek felismerése a képeken, a szöveggenerálás, a fordítás vagy akár az automatikus orvosi diagnosztika is. Ezek ma már egytől egyig elvégezhetők, illetve támogathatók a számítógépekkel.

hirdetés

Az összetett játékokban való részvétel, az autóvezetés vagy a korában felsorolt műveletek kivitelezése, illetve az ahhoz szükséges képességek elsajátítása Deep Learninget, vagyis  mélytanulást igényel. A kifejezés a mesterséges neurális hálózatokként ismert matematikai modellekre utal. A Deep Learning a gépi tanulás része, a számítástechnika egy olyan ága, amely a komplex modellek adatokhoz illesztésén alapul.

Ahhoz, hogy a Deep Learning az utóbbi években egyre elterjedtebbé, ezzel pedig a gépi tanulás egyre hatékonyabbá válhatott, elsősorban a számítási teljesítmény növekedésére volt szükség. A folyamatosan növekvő adatmennyiség analíziséhez, értékeléséhez és tárolásához szükséges kapacitás is gyarapszik, ezek alapján pedig mesterséges ideghálózatok képezhetők, amelyek komplex feladatokban támogathatják, egészíthetik ki vagy akár helyettesíthetik az emberi munkaerőt.

Forrás: Alexander Sludds / IEEE Spectrum
Forrás: Alexander Sludds / IEEE Spectrum

A megnövekedett számítási teljesítmény és az iránta mutatkozó igény viszont nem elégíthető ki anélkül, hogy a megfelelő hardvertechnika is fejlődjön. Kezdetben a GPU-k (grafikus feldolgozó egységek) használata elégségesnek látszott, a technológia azonban hamar kinőtte ennek korlátait. Így a fejlesztők olyan megoldásokat keresnek, amelyek még tovább képesek növelni a rendelkezésre álló számítási kapacitásokat, elektronikus hardvergyorsítók fejlesztésébe kezdtek - melyre jó példa a Google Tensor Processing Unit (TPU).

És itt jön a csavar. A számítások elvégzéséhez az optikai processzorok már nem elektronokat, hanem fotonokat használnak. Tehát úgy is fogalmazhatunk, hogy mindazon számításokat, amelyek a neurális hálózatokban zajlanak, tulajdonképpel fénnyel is elvégezhetnénk.

Erre a neurális hálózatokban zajló számítások energiaigényének radikális csökkentése miatt van szükség. A számítási hatékonyság ugyanis a technológiával megnő, egyszerűsítő matematikai műveletek végezhetők és a lineáris algebra, valamint a mátrixelmélet lehetőségeit kihasználva gyorsabbá válnak a hálózatok. Mivel a mátrixműveletek jelentősége a mélytanulásban kimagasló, ezért ez az új megközelítés elsősorban e téren hoz szignifikáns áttörést. 

Gyorsabbá válik a tanulás, aminek köszönhetően a számítógépek által végzett munka is. A határ pedig az elmúlt évek, évtizedek tanulsága szerint szinte a csillagos ég. Főleg, hogy ma már elmondhatjuk: fénnyel is végezhetünk gépi számításokat.

 

Kun Zsuzsanna
a szerző cikkei

(forrás: IEEE Spectrum)
hirdetés
Ha hozzá kíván szólni, jelentkezzen be!
 
hirdetés
hirdetés
hirdetés

Kiadónk társoldalai

hirdetés
hirdetés
hirdetés
hirdetés