تراشه ای که 2 میلیارد تصویر در ثانیه پردازش می کند


بر اساس گزارش ها جام جم آنلاینهوش مصنوعی (AI) نقش مهمی در بسیاری از سیستم‌ها، از پیش‌بینی‌کننده متن در گوشی‌های هوشمند گرفته تا تشخیص‌های پزشکی، ایفا می‌کند.

بسیاری از سیستم‌های هوش مصنوعی مبتنی بر مغز انسان و مبتنی بر شبکه‌های عصبی مصنوعی هستند.

شبکه‌های عصبی مصنوعی معادلات الکتریکی نورون‌های بیولوژیکی هستند که با استفاده از مجموعه‌ای از داده‌های شناخته‌شده، مانند تصاویر، به هم متصل شده و آموزش داده می‌شوند و سپس برای شناسایی یا طبقه‌بندی داده‌های جدید استفاده می‌شوند.

در شبکه‌های عصبی سنتی، که برای تشخیص تصویر استفاده می‌شوند، ابتدا تصویر جسم روی یک حسگر تصویر مانند دوربین دیجیتال گوشی هوشمند شکل می‌گیرد. سپس حسگر تصویر نور را به سیگنال های الکتریکی و در نهایت به داده های باینری تبدیل می کند که می توانند با استفاده از تراشه های کامپیوتری پردازش، تجزیه و تحلیل، ذخیره و طبقه بندی شوند. تسریع این قابلیت‌ها برای بهبود طیف گسترده‌ای از برنامه‌ها، مانند تشخیص چهره، تشخیص خودکار متن در عکس‌ها یا کمک به ماشین‌های خودکار در تشخیص موانع مهم است.

در حالی که یک تراشه با پیشرفته ترین فناوری طبقه بندی تصویر می تواند میلیاردها محاسبه را در ثانیه انجام دهد و برای بسیاری از کاربردها به اندازه کافی سریع است، طبقه بندی تصاویر پیچیده تر، مانند تشخیص اجسام متحرک، تشخیص اجسام سه بعدی یا طبقه بندی سلول های میکروسکوپی در بدن، دارای قابلیت ها و محدودیت هایی است محاسبات حتی بر قدرتمندترین فناوری ها نیز فشار می آورد.

برای غلبه بر این محدودیت، مهندسان دانشگاه پنسیلوانیا اولین تراشه مقیاس پذیر را توسعه داده اند که می تواند تقریباً بلافاصله تصاویر را طبقه بندی و شناسایی کند.

فیروز پلاتونی، دانشیار مهندسی برق و مهندسی سیستم ها، به همراه فرشید آشتیانی، دانشجوی دکترا و الکساندر جی. گیرس، دانشجوی کارشناسی ارشد، چهار دلیل اصلی تاخیر محاسباتی در تراشه های کامپیوتری سنتی را از بین برده اند. اینها شامل تبدیل سیگنال های نوری به سیگنال های الکتریکی، نیاز به تبدیل داده های ورودی به فرمت باینری، یک ماژول حافظه بزرگ و محاسبات مبتنی بر زمان بود.

آنها با پردازش مستقیم نور دریافتی از جسم با استفاده از یک شبکه عصبی نوری عمیق که بر روی یک تراشه مربعی با اندازه 9.3 میلی متر پیاده سازی شده است، به این امر دست یافتند.

مطالعه ای که در مجله Nature منتشر شده است توضیح می دهد که چند سلول عصبی بینایی نای توسط سیم های نوری یا موجبرها به هم متصل شده اند تا شبکه های عمیق بسیاری از لایه های عصبی مشابه مغز انسان را تشکیل دهند. اطلاعات از لایه های شبکه عبور می کند و هر مرحله به طبقه بندی تصویر ورودی در یکی از دسته های مورد مطالعه کمک می کند. در مطالعه محققان، تصاویر طبقه بندی شده توسط تراشه، تصاویری از نمادهای حروفی شکل بود که با دست طراحی شده بودند.

مانند شبکه عصبی در مغز ما، این شبکه عمیق برای پردازش سریع اطلاعات طراحی شده است. محققان نشان دادند که تراشه آنها می تواند یک طبقه بندی کامل تصویر را در نیم ثانیه انجام دهد. این معادل زمانی است که تراشه های کامپیوتر دیجیتال سنتی یک مرحله محاسباتی را انجام می دهند.

افلاطون می گوید: «تراشه ما اطلاعات را با استفاده از آنچه ما انتشار محاسباتی می نامیم پردازش می کند، به این معنی که بر خلاف سیستم های مبتنی بر زمان، محاسبات با انتشار نور از طریق یک تراشه انجام می شود. ما همچنین مرحله تبدیل سیگنال های نوری به الکتریکی را از دست داده ایم، زیرا تراشه ما می تواند سیگنال های نوری را مستقیما بخواند و پردازش کند، و هر دوی این تغییرات تراشه ما را بسیار سریعتر می کند.

توانایی تراشه برای پردازش سیگنال های نوری به طور مستقیم به مزایای آن می افزاید.

آشتیانی می گوید: وقتی تراشه های کامپیوتری مدرن سیگنال های الکتریکی را پردازش می کنند، اغلب آنها را از یک پردازنده گرافیکی یا GPU عبور می دهند که فضا و انرژی را اشغال می کند. تراشه ما نیاز به ذخیره داده ها را از بین می برد و نیاز به حافظه بزرگ را بی نیاز می کند.

پلاتو می گوید: «با حذف بلوک حافظه که تصاویر را ذخیره می کند، امنیت داده ها را نیز افزایش می دهیم. تراشه‌هایی که مستقیماً داده‌های تصویر را می‌خوانند، نیازی به ذخیره‌سازی تصویر ندارند و اطلاعات درز نمی‌کنند.

تراشه ای که اطلاعات را با سرعت نور می خواند و امنیت سایبری بالاتری را فراهم می کند، بدون شک در بسیاری از زمینه ها استفاده خواهد شد. این یکی از دلایلی است که تحقیقات در مورد این فناوری در چند سال اخیر رشد کرده است.

Geers می‌گوید: «ما اولین کسی نبودیم که فناوری را معرفی کردیم که مستقیماً سیگنال‌های نوری را می‌خواند، اما اولین کسی بودیم که یک سیستم تراشه کامل را ایجاد کردیم که با فناوری‌های موجود سازگار باشد و برای داده‌های پیچیده‌تر مقیاس‌پذیر باشد.

در توسعه شبکه عمیق خود، تراشه به آموزش برای یادگیری و طبقه بندی مجموعه داده های جدید نیاز دارد، همانطور که انسان ها یاد می گیرند. هنگامی که مجموعه خاصی از داده ها ارائه می شود، شبکه عمیق اطلاعات را دریافت می کند و آنها را بر اساس دسته هایی که قبلاً تسلط داشته است طبقه بندی می کند.

مهندسان می‌توانند با افزودن لایه‌های عصبی بیشتر زوم کنند و به تراشه اجازه می‌دهند تا تصاویر پیچیده‌تری را با وضوح بالاتر مشاهده کند.

افلاطون می‌گوید: «چیزی که در مورد این فناوری واقعاً جالب است این است که می‌تواند بسیار بیشتر از طبقه‌بندی تصاویر انجام دهد. ما می دانیم که چگونه انواع داده ها را به دامنه های الکتریکی تبدیل کنیم. تصویر، صدا، زبان و بسیاری از انواع دیگر داده ها. اکنون می توانیم انواع مختلف داده ها را به دامنه های نوری تبدیل کنیم که تقریباً بلافاصله با این فناوری پردازش می شوند.

او می‌گوید: «یک نرخ فریم معمولی را برای فیلم‌ها تصور کنید تا بفهمید یک تراشه با چه سرعتی می‌تواند اطلاعات را پردازش کند. فیلم با سرعت 24 تا 120 فریم در ثانیه پخش می شود. اگرچه این تراشه می تواند تقریباً دو میلیارد فریم در ثانیه را مدیریت کند! ما اکنون راه حل هایی برای مواردی داریم که نیاز به محاسبات بسیار سریع دارند و بسیاری از کاربردهای آن ممکن است در حال حاضر مشخص نباشند.

منبع: ایسنا