Исследователи Пекинского университета представили новую архитектуру для систем искусственного интеллекта, в которой традиционные электронные микросхемы объединяются с помощью полностью оптических соединений. По данным авторов работы, такой подход позволяет ускорить выполнение распределённых вычислений ИИ более чем в 100 раз, одновременно снижая потребность в вычислительных ресурсах примерно до одной девятой по сравнению с традиционными решениями.
Сегодня рост производительности ИИ в основном достигается за счёт увеличения числа графических ускорителей и строительства всё более крупных дата-центров. Однако этот путь сопровождается стремительным ростом энергопотребления и стоимости вычислительной инфраструктуры.
Команда Пекинского университета предложила альтернативный подход: вместо наращивания числа процессоров ускорить обмен данными между ними. Исследователи разработали полностью оптическую систему межсоединений, которая объединяет стандартные электронные чипы в единую высокоскоростную вычислительную платформу.
Основой экспериментальной системы стали FPGA — программируемые логические матрицы, широко применяемые в высокопроизводительных вычислениях, системах автономного управления, телекоммуникационном оборудовании и дата-центрах. Для обмена данными между ними учёные использовали специально разработанные коммуникационные компоненты на основе технологий кремниевой фотоники.
Ключевым элементом системы стал кремниевый фотонный трансивер, обеспечивающий передачу данных со скоростью 400 Гбит/с. Он преобразует электрические сигналы в световые и обратно, позволяя передавать большие объёмы информации значительно быстрее и с меньшими энергетическими потерями, чем традиционные электрические интерфейсы.
Однако главным достижением исследователей стала не только аппаратная часть. Вместе с новой системой межсоединений были разработаны специализированные алгоритмы распределённого вывода, которые эффективно используют преимущества оптической передачи данных. Именно сочетание новой архитектуры и программных методов позволило добиться столь значительного прироста производительности.
Если технология подтвердит свою эффективность в более крупных вычислительных кластерах, она может стать одним из перспективных направлений развития инфраструктуры искусственного интеллекта. Вместо бесконечного увеличения количества ускорителей будущие ИИ-системы смогут масштабироваться за счёт более быстрых и энергоэффективных каналов обмена данными между вычислительными узлами.
Результаты исследования опубликованы в журнале National Science Review. Авторами работы являются учёные Пекинского университета Шу Хаовэнь и Ван Синцзюнь.
Важно отметить: заявленные показатели — ускорение более чем в 100 раз и сокращение вычислительных затрат до одной девятой — относятся к экспериментальной системе и определённым сценариям распределённого вывода ИИ, исследованным авторами. Их достижение в универсальных задачах и коммерческих ИИ-кластерах потребует дальнейшей проверки.
Если вам понравился материал, кликните значок — вы поможете нам узнать, каким статьям и новостям следует отдавать предпочтение. Если вы хотите обсудить материал —не стесняйтесь оставлять свои комментарии : возможно, они будут полезны другим нашим читателям!
