التعلم العميق بالضوء: مكونات نموذج التعلم الآلي المشفرة على موجات الضوء
اسأل جهازًا منزليًا ذكيًا عن توقعات الطقس، وسيستغرق الجهاز عدة ثوانٍ حتى يستجيب. أحد أسباب حدوث هذا التأخير هو أن الأجهزة المتصلة لا تمتلك ذاكرة أو طاقة كافية لتخزين وتشغيل نماذج التعلم الآلي الهائلة اللازمة للجهاز لفهم ما يطلبه المستخدم منه. يتم تخزين النموذج في مركز بيانات قد يكون على بعد مئات الأميال، حيث يتم حساب الإجابة وإرسالها إلى الجهاز.
ابتكر باحثو معهد ماساتشوستس للتكنولوجيا طريقة جديدة للحوسبة مباشرة على هذه الأجهزة، مما يقلل بشكل كبير من هذا الكمون.
يحول أسلوبهم الخطوات التي تتطلب ذاكرة مكثفة لتشغيل نموذج التعلم الآلي إلى خادم مركزي حيث يتم تشفير مكونات النموذج على موجات ضوئية.
يتم إرسال الموجات إلى جهاز متصل باستخدام الألياف الضوئية، والتي تتيح إرسال أطنان من البيانات بسرعة البرق عبر الشبكة.
يستخدم جهاز الاستقبال بعد ذلك جهازًا ضوئيًا بسيطًا يقوم بإجراء عمليات حسابية بسرعة باستخدام أجزاء النموذج التي تحملها تلك الموجات الضوئية.
تؤدي هذه التقنية إلى تحسين كفاءة الطاقة بأكثر من مائة ضعف مقارنة بالطرق الأخرى.
يمكن أن يؤدي أيضًا إلى تحسين الأمان، نظرًا لأن بيانات المستخدم لا تحتاج إلى نقلها إلى موقع مركزي للحساب.
يمكن أن تمكّن هذه الطريقة السيارة ذاتية القيادة من اتخاذ قرارات في الوقت الفعلي أثناء استخدام نسبة ضئيلة من الطاقة التي تتطلبها أجهزة الكمبيوتر المتعطشة للطاقة حاليًا.
يمكن أن يسمح أيضًا للمستخدم بإجراء محادثة خالية من الكمون مع أجهزته المنزلية الذكية، أو استخدامها لمعالجة الفيديو المباشر عبر الشبكات الخلوية، أو حتى تمكين تصنيف الصور عالي السرعة على مركبة فضائية على بعد ملايين الأميال من الأرض.
“في كل مرة تريد فيها تشغيل شبكة عصبية، عليك تشغيل البرنامج، وتعتمد السرعة التي يمكنك بها تشغيل البرنامج على مدى السرعة التي يمكنك بها توصيل البرنامج من الذاكرة.
أنبوبنا ضخم – فهو يتوافق مع إرسال رسالة كاملة فيلم طويل على الإنترنت كل جزء من الثانية أو نحو ذلك. هذا هو مدى سرعة وصول البيانات إلى نظامنا.
ويمكنه الحساب بهذه السرعة “، كما يقول المؤلف الكبير ديرك إنجلوند، الأستاذ المشارك في قسم الهندسة الكهربائية وعلوم الكمبيوتر (EECS) وعضو في مختبر أبحاث MIT للإلكترونيات.
انضم إلى Englund في الورقة المؤلف الرئيسي وطالب الدراسات العليا في EECS Alexander Sludds؛ طالب الدراسات العليا في EECS Saumil Bandyopadhyay وعالم الأبحاث رايان هامرلي وآخرون من MIT ومختبر MIT Lincoln وشركة Nokia Corporation. سيتم نشر البحث في مجلة Science.
تخفيف العبء
الشبكات العصبية هي نماذج للتعلم الآلي تستخدم طبقات من العقد المتصلة، أو الخلايا العصبية، للتعرف على الأنماط في مجموعات البيانات وأداء المهام، مثل تصنيف الصور أو التعرف على الكلام.
لكن يمكن أن تحتوي هذه النماذج على مليارات من معلمات الوزن، وهي قيم رقمية تحول بيانات الإدخال أثناء معالجتها. يجب تخزين هذه الأوزان في الذاكرة. في الوقت نفسه، تتضمن عملية تحويل البيانات مليارات من الحسابات الجبرية، والتي تتطلب قدرًا كبيرًا من القوة لأداءها.
يقول Sludds إن عملية جلب البيانات (أوزان الشبكة العصبية، في هذه الحالة) من الذاكرة ونقلها إلى أجزاء الكمبيوتر التي تقوم بالحسابات الفعلية هي واحدة من أكبر العوامل التي تحد من السرعة وكفاءة الطاقة.
“لذا كان تفكيرنا هو، لماذا لا نأخذ كل هذا الرفع الثقيل – عملية جلب مليارات الأوزان من الذاكرة – نحركه بعيدًا عن الجهاز ذي الحافة ووضعه في مكان ما حيث نتمتع بإمكانية وصول وفيرة إلى الطاقة والذاكرة، مما يمنح لنا القدرة على جلب هذه الأوزان بسرعة؟ ” هو يقول.
تتضمن بنية الشبكة العصبية التي طوروها، Netcast، تخزين الأوزان في خادم مركزي متصل بقطعة جديدة من الأجهزة تسمى جهاز الإرسال والاستقبال الذكي.
يستخدم جهاز الإرسال والاستقبال الذكي هذا، وهو شريحة بحجم الإبهام يمكنها استقبال البيانات ونقلها، تقنية تُعرف باسم الضوئيات السيليكونية لجلب تريليونات الأوزان من الذاكرة كل ثانية.
يستقبل الأوزان كإشارات كهربائية يطبعها على موجات الضوء. نظرًا لأن بيانات الوزن مشفرة على هيئة بتات (1 و0 ثانية)، فإن جهاز الإرسال والاستقبال يحولها عن طريق تبديل الليزر؛ يتم تشغيل الليزر لـ 1 وإيقاف تشغيله لـ 0.
فهو يجمع هذه الموجات الضوئية ثم ينقلها بشكل دوري عبر شبكة ألياف بصرية بحيث لا يحتاج جهاز العميل إلى الاستعلام عن الخادم لاستقبالها.
يوضح Bandyopadhyay: “تعد البصريات رائعة نظرًا لوجود العديد من الطرق لنقل البيانات داخل البصريات.
على سبيل المثال، يمكنك وضع بيانات على ألوان مختلفة من الضوء، وهذا يتيح إنتاج بيانات أعلى بكثير وعرض نطاق ترددي أكبر مما هو عليه مع الإلكترونيات”.
تريليونات في الثانية
بمجرد وصول موجات الضوء إلى جهاز العميل، يستخدمها مكون بصري بسيط يُعرف باسم مُعدِّل النطاق العريض “Mach-Zehnder” لإجراء عمليات حسابية تمثيلية فائقة السرعة. يتضمن ذلك ترميز بيانات الإدخال من الجهاز، مثل معلومات المستشعر، على الأوزان.
ثم يرسل كل طول موجي فردي إلى جهاز استقبال يكتشف الضوء ويقيس نتيجة الحساب.
ابتكر الباحثون طريقة لاستخدام هذا المغير لعمل تريليونات من المضاعفات في الثانية، مما يزيد بشكل كبير من سرعة الحساب على الجهاز مع استخدام قدر ضئيل فقط من الطاقة.
“من أجل جعل شيء ما أسرع، تحتاج إلى جعله أكثر كفاءة في استخدام الطاقة.
ولكن هناك مقايضة. لقد بنينا نظاما يمكن أن يعمل بحوالي ملي واط من الطاقة ولكن لا يزال يقوم بتريليونات المضاعفات في الثانية. من حيث السرعة وكفاءة الطاقة، وهذا مكسب لأوامر الحجم “، كما يقول Sludds.
لقد اختبروا هذه البنية عن طريق إرسال أوزان تزيد عن 86 كيلومترًا من الألياف التي تربط مختبرهم بمختبر MIT لينكولن.
أتاح Netcast التعلم الآلي بدقة عالية – 98.7٪ لتصنيف الصور و98.8٪ للتعرف على الأرقام – بسرعات عالية.
ويضيف هامرلي: “كان علينا إجراء بعض المعايرة، لكنني فوجئت بضآلة العمل الذي كان علينا القيام به لتحقيق مثل هذه الدقة العالية خارج الصندوق. تمكنا من الحصول على دقة مناسبة تجاريًا”.
للمضي قدمًا، يرغب الباحثون في تكرار استخدام شريحة جهاز الإرسال والاستقبال الذكية لتحقيق أداء أفضل. إنهم يريدون أيضًا تصغير جهاز الاستقبال، والذي يبلغ حجمه حاليًا بحجم صندوق الأحذية، إلى حجم شريحة واحدة بحيث يمكن وضعه في جهاز ذكي مثل الهاتف الخلوي.
المصدر: techxplore
شاهد ايضا:
افضل شركات تداول الفوركس عبر الانترنت
