Ein internationales Forscherteam mit Beteiligung von EPFL und IBM Research Zürich hat einen lichtbasierten Chip entwickelt, der Daten ungleich schneller prozessiert als herkömmliche. Seine Architektur basiert auf der Parallelführung von Verarbeitung und Speicherung.
Ermöglicht wird dies durch die Tatsache, dass sich verschiedene Lichtwellenlängen (Farben) nicht gegenseitig stören und so verschiedene von ihnen für parallele Berechnungen genutzt werden können. Als Lichtquelle fungiert ein spezieller, an der ETH Lausanne (EPFL) entwickelter sogenannter “Frequenzkamm”.
“Unsere Studie ist die erste, die Frequenzkämme im Bereich der künstlichen neuronalen Netze einsetzt”, sagt Professor Tobias Kippenberg von der EPFL, einer der Leiter der Studie. Er und sein Team haben Pionierarbeit bei der Entwicklung von Frequenzkämmen geleistet. “Der Frequenzkamm bietet eine Vielzahl von optischen Wellenlängen, die unabhängig voneinander im selben photonischen Chip verarbeitet werden”, wird er in einer Mitteilung vom Freitag zitiert. Die neue Chip-Technologie nennt sich «Matrix Parallel Computing» (MPC) und darf als “bahnbrechend” bezeichnet werden.
“Lichtbasierte Prozessoren zur Beschleunigung von Aufgaben im Bereich des maschinellen Lernens ermöglichen es, komplexe mathematische Aufgaben mit hohen Geschwindigkeiten und zahlreichen Durchgängen zu verarbeiten”, sagt Senior Co-Autor Wolfram Pernice von der Universität Münster, ein weiterer Forschungsleiter.
Nathan Youngblood (Universität Oxford) ergänzt: “Die Ausnutzung von Wellenlängenmultiplexing erlaubt höhere Datenraten und Rechendichten, also Operationen pro Fläche des Prozessors, die bisher nicht erreicht wurden.”
Die Studie, die diese Woche in “Nature” veröffentlicht wird, bietet weitreichende Anwendungen, passend auf die Erfordernisse des modernen, exponentiell wachsenden Datenverkehrs: höhere gleichzeitige (und energiesparende) Verarbeitung von Daten in der Künstlichen Intelligenz, grössere neuronale Netze für genauere Vorhersagen und präzisere Datenanalyse, grosse Mengen klinischer Daten für Diagnosen, Verbesserung der schnellen Auswertung von Sensordaten in selbstfahrenden Fahrzeugen und Ausbau von Cloud-Computing-Infrastrukturen mit mehr Speicherplatz, Rechenleistung und Anwendungssoftware.
Neben Forschern aus Lausanne, Zürich, Münster und Oxford wirkten auch welche aus Exeter und Pittsburgh mit. “Diese Arbeit ist ein echtes Vorzeigeprojekt europäischer Verbundforschung”, sagt David Wright von der University of Exeter, der das EU-Projekt FunComp leitet, das die Arbeit finanziert hat.
“Während jede beteiligte Forschungsgruppe auf ihre Weise weltweit führend ist, war es die Zusammenführung all dieser Teile, die diese Arbeit wirklich möglich gemacht hat.”
