Por
Um novo chip desenvolvido pela Penn Engineers usa luz para acelerar o treinamento de IA, oferecendo processamento mais rápido e consumo de energia reduzido, ao mesmo tempo que aumenta a privacidade dos dados. (Conceito do artista.) Crédito: SciTechDaily.com
Um novo chip inovador utiliza luz para cálculos de IA rápidos e eficientes, prometendo um salto nas velocidades de processamento e privacidade.
Os engenheiros da Penn desenvolveram um novo chip que usa ondas de luz, em vez de eletricidade, para realizar a matemática complexa essencial para o treinamento de IA. O chip tem o potencial de acelerar radicalmente a velocidade de processamento dos computadores e, ao mesmo tempo, reduzir o consumo de energia.
O design do chip de silício fotônico (SiPh) é o primeiro a reunir a pesquisa pioneira do professor Nader Engheta, laureado com a medalha Benjamin Franklin e H. Nedwill Ramsey, na manipulação de materiais no nanoescala para realizar cálculos matemáticos usando luz – o meio de comunicação mais rápido possível – com a plataforma SiPh, que usa silício, o elemento barato e abundante usado para produzir chips de computador em massa.
A interação das ondas de luz com a matéria representa um caminho possível para o desenvolvimento de computadores que superem as limitações dos chips atuais, que são essencialmente baseados nos mesmos princípios dos chips dos primeiros dias da revolução da computação na década de 1960.
Nader Engheta, Professor H. Nedwill Ramsey, Penn Engineering. Crédito: Felice Macera
Inovação colaborativa em design de chips
Em artigo publicado hoje (15 de fevereiro) em Fotônica da Natureza, O grupo de Engheta, em conjunto com o de Firooz Aflatouni, Professor Associado de Engenharia Elétrica e de Sistemas, descreve o desenvolvimento do novo chip. “Decidimos unir forças”, diz Engheta, aproveitando o facto de o grupo de investigação de Aflatouni ser pioneiro em dispositivos de silício em nanoescala.
Seu objetivo era desenvolver uma plataforma para realizar o que é conhecido como multiplicação de matrizes vetoriais, uma operação matemática central no desenvolvimento e funcionamento de redes neurais, a arquitetura de computador que alimenta as ferramentas de IA atuais.
Em vez de usar um wafer de silício de altura uniforme, explica Engheta, “você torna o silício mais fino, digamos 150 nanômetros”, mas apenas em regiões específicas. Essas variações de altura – sem adição de quaisquer outros materiais – fornecem um meio de controlar a propagação da luz através do chip, uma vez que as variações de altura podem ser distribuídas para fazer com que a luz se espalhe em padrões específicos, permitindo que o chip realize cálculos matemáticos. na velocidade da luz.
Avanços e aplicações potenciais
Devido às restrições impostas pela fundição comercial que produziu os chips, diz Aflatouni, este design já está pronto para aplicações comerciais, e poderia potencialmente ser adaptado para uso em unidades de processamento gráfico (GPUs), cuja demanda disparou com o uso generalizado. interesse em desenvolver novos sistemas de IA. “Eles podem adotar a plataforma Silicon Photonics como um complemento”, diz Aflatouni, “e então você poderá acelerar o treinamento e a classificação”.
Além de maior velocidade e menor consumo de energia, o chip de Engheta e Aflatouni traz vantagens de privacidade: como muitos cálculos podem acontecer simultaneamente, não haverá necessidade de armazenar informações confidenciais na memória de trabalho de um computador, tornando um futuro computador equipado com essa tecnologia praticamente inviolável. . “Ninguém pode invadir uma memória inexistente para acessar suas informações”, diz Aflatouni.
Referência: “Estruturas de baixo índice de contraste com design inverso na plataforma fotônica de silício para multiplicação de matrizes vetoriais” 16 de fevereiro de 2024, Fotônica da Natureza.
DOI: 10.1038/s41566-024-01394-2
Este estudo foi conduzido na Escola de Engenharia e Ciências Aplicadas da Universidade da Pensilvânia e apoiado em parte por uma doação da Iniciativa de Pesquisa Universitária Multidisciplinar (MURI) do Escritório de Pesquisa Científica da Força Aérea dos EUA (AFOSR) para Engheta (FA9550-21-1- 0312) e uma bolsa do US Office of Naval Research (ONR) para Afaltouni (N00014-19-1-2248).
Outros coautores incluem Vahid Nikkhah, Ali Pirmoradi, Farshid Ashtiani e Brian Edwards da Penn Engineering.
