توسعه تنسور فوتونیک و یادگیری با سرعت نور - مجله سرگرمی

این رویکرد جدید سرعت و راندمان یادگیری ماشینی در شبکه های عصبی را بهبود می دهد. این شبکه ها نوعی از هوش مصنوعی محسوب می شوند که هدف از توسعه آن ها، تکرار فعالیت هایی است که مغز انسان انجام می دهد و شبکه ها می توانند بدون نظارت، آن ها را به خود آموزش دهند.

پردازنده های کنونی مورد استفاده در یادگیری ماشینی در زمینه انجام عملیات های پیچیده محدودیت دارند که علت آن، انرژی مورداحتیاج برای پردازش اطلاعات است. هرچقدر کار هوشمندانه تر و اطلاعات پیچیده تر باشند، به توان بیشتری احتیاج خواهد بود. این شبکه ها با مشکل سرعت پایین انتقال دیتای الکترونیکی میان پردازنده و حافظه نیز روبرو هستند.

به گزارش ایندیپندنت، محققان دانشگاه جرج واشنگتن در ایالات متحده آمریکا به این موضوع پی برده اند که با استفاده از فوتون ها درون واحدهای پردازش شبکه های عصبی (TPU) می توانند بر این مسائل غلبه نمایند و هوش مصنوعی قدرتمندتر و با بهره وری بالاتر خلق نمایند. این مقاله که در ژورنال Applied Physics Reviews به چاپ رسیده، نشان می دهد که TPU مبتنی بر فوتون در مقایسه با TPU الکتریکی، 2 تا 3 مرتبه عملکرد بالاتری داشته اند.

یکی از نویسندگان این مقاله، ماریو میسگولیو اعلام نموده:

ما در پژوهش خود به این موضوع پی بردیم که پلتفرم های فوتونیک یکپارچه با حافظه نوری کارآمد، می توانند به عملیات های یکسان با واحد پردازشی تنسور دست پیدا نمایند، با این حال انرژی بسیار کمتری مصرف می نمایند و توان عملیاتی بالاتری دارند.

از کاربردهای تجاری برای این پردازنده جدید می توان به شبکه های 5G و 6G و همچنین دیتاسنترها که اطلاعات زیادی را پردازش می نمایند، اشاره نمود. دکتر میسگولیو به این موضوع اشاره نموده که پردازنده های اختصاصی فوتونیک می توانند باعث صرفه جویی زیادی در مصرف انرژی شوند، زمان پاسخگویی را بهبود دهند و هچنین باعث کاهش ترافیک دیتاسنترها شوند.

منبع : دیجیاتو

parmisfun.ir: مجله پارمیسفان | مجله تفریحی، سرگرمی و مسافرتی

pbmusic.ir: نوای پرنده پارسی | مجله خبری، ورزشی و مسافرتی پارسی

quiz1.ir: مجله آزمون اول، مجله خبری تحلیل صنایع آموزشی و کارگاهی