人工智能浪潮下，光芯片發(fā)展在提速。

作為人工智能的三駕馬車之一，算力是訓(xùn)練AI模型、推理任務(wù)的關(guān)鍵。

清華大學(xué)科研團隊的新成果發(fā)布在了4月12日凌晨的最新一期《科學(xué)》上，首創(chuàng)分布式廣度智能光計算架構(gòu)，研制出全球首款大規(guī)模干涉衍射異構(gòu)集成芯片“太極（Taichi）”，實現(xiàn)了160 TOPS/W的通用智能計算。

據(jù)介紹，“太極”光芯片架構(gòu)開發(fā)的過程中，靈感來自典籍《周易》，團隊成員以“易有太極，是生兩儀”為啟發(fā)，建立了全新的計算模型，實現(xiàn)了光計算強悍性能的釋放。

光計算，顧名思義是將計算載體從電變?yōu)楣?，利用光在芯片中的傳播進(jìn)行計算，以其超高的并行度和速度，被認(rèn)為是未來顛覆性計算架構(gòu)的最有力競爭方案之一。

光芯片具備高速高并行計算優(yōu)勢，被寄予希望用來支撐大模型等先進(jìn)人工智能應(yīng)用。

據(jù)論文第一作者、電子系博土生徐智吳介紹，在“太極”架構(gòu)中，自頂向下的編碼拆分-解碼重構(gòu)機制，將復(fù)雜智能任務(wù)化繁為簡，拆分為多通道高并行的子任務(wù)，構(gòu)建的分布式'大感受野’淺層光網(wǎng)絡(luò)對子任務(wù)分而治之，突破物理模擬器件多層深度級聯(lián)的固有計算誤差。

論文報道：“太極”光芯片具備879T MACS/mm的面積效率與160 TOPS/N的能量效率。首次賦能光計算實現(xiàn)自然場景千類對象識別、跨模態(tài)內(nèi)容生成等人工智能復(fù)雜任務(wù)。

“太極”光芯片有望為大模型訓(xùn)練推理、通用人工智能、自主智能無人系統(tǒng)提供算力支撐。

人工智能需要光子電路

人工智能通常依賴于人工神經(jīng)網(wǎng)絡(luò)，用于分析醫(yī)學(xué)掃描和生成圖像等應(yīng)用。在這些系統(tǒng)中，稱為神經(jīng)元的電路組件（類似于人腦中的神經(jīng)元）被輸入數(shù)據(jù)并合作解決問題，例如識別人臉。如果神經(jīng)網(wǎng)絡(luò)擁有多層這些神經(jīng)元。

隨著神經(jīng)網(wǎng)絡(luò)的規(guī)模和功率的增長，它們在傳統(tǒng)電子設(shè)備上運行時變得越來越耗能。例如，為了訓(xùn)練其最先進(jìn)的神經(jīng)網(wǎng)絡(luò) GPT-3，2022 年《自然》雜志的一項研究表明，OpenAI 花費了 460 萬美元在兩周內(nèi)運行 9200個GPU。

電子計算的缺點導(dǎo)致一些研究人員將光學(xué)計算作為下一代人工智能的有希望的基礎(chǔ)進(jìn)行研究。與電子對應(yīng)物相比，這種光子方法使用光來更快地執(zhí)行計算，并且功率更低。

清華大學(xué)領(lǐng)銜開發(fā)出的光子微芯片Taichi，可以在高級人工智能任務(wù)中與電子設(shè)備一樣執(zhí)行，同時被證明更加節(jié)能。

“光學(xué)神經(jīng)網(wǎng)絡(luò)不再是玩具模型，”清華大學(xué)電子工程副教授Lu Fang說：“它們現(xiàn)在可以應(yīng)用于現(xiàn)實世界的任務(wù)。”

光學(xué)神經(jīng)網(wǎng)絡(luò)是如何工作的？

開發(fā)光學(xué)神經(jīng)網(wǎng)絡(luò)主要有兩種策略：1、在微芯片內(nèi)以特定模式散射光；2、讓光波在器件內(nèi)部以精確的方式相互干擾。當(dāng)以光的形式輸入這些光學(xué)神經(jīng)網(wǎng)絡(luò)時，輸出光會對這些器件中執(zhí)行的復(fù)雜操作的數(shù)據(jù)進(jìn)行編碼。

Fang 解釋說，這兩種光子計算方法都有明顯的優(yōu)點和缺點。例如，依賴于散射或衍射的光學(xué)神經(jīng)網(wǎng)絡(luò)可以將許多神經(jīng)元緊密地聚集在一起，并且?guī)缀醪幌娜魏文芰?。基于衍射的神?jīng)網(wǎng)絡(luò)依賴于光束在穿過代表網(wǎng)絡(luò)操作的光學(xué)層時的散射。然而，基于衍射的神經(jīng)網(wǎng)絡(luò)的一個缺點是它們無法重新配置。每個操作字符串基本上只能用于一個特定任務(wù)。

相比之下，依賴于干擾的光學(xué)神經(jīng)網(wǎng)絡(luò)可以很容易地重新配置?；诟蓴_的神經(jīng)網(wǎng)絡(luò)通過信道網(wǎng)格發(fā)送多個波束，它們在這些信道相交處的干擾方式有助于執(zhí)行設(shè)備的操作。然而，它們的缺點是干涉儀也很笨重，這限制了這種神經(jīng)網(wǎng)絡(luò)的擴展能力。它們也會消耗大量能量。

此外，當(dāng)前的光子芯片會遇到不可避免的錯誤。試圖通過增加這些器件中的神經(jīng)元層數(shù)量來擴展光學(xué)神經(jīng)網(wǎng)絡(luò)通常只會成倍地增加噪聲。這意味著，到目前為止，光學(xué)神經(jīng)網(wǎng)絡(luò)僅限于基本的人工智能任務(wù)，例如簡單的模式識別，換句話說，光學(xué)神經(jīng)網(wǎng)絡(luò)通常不適合先進(jìn)應(yīng)用。

研究人員表示，相比之下，Taichi是一種結(jié)合了衍射和干涉方法的混合設(shè)計。它包含衍射單元簇，可以在緊湊的空間內(nèi)壓縮數(shù)據(jù)以進(jìn)行大規(guī)模輸入和輸出。該芯片還包含干涉儀陣列，用于可重構(gòu)計算。Fang表示，為 Taichi 開發(fā)的編碼協(xié)議將具有挑戰(zhàn)性的任務(wù)和大型網(wǎng)絡(luò)模型劃分為可以分布在不同模塊中的子模型。

Taichi 如何融合這兩種神經(jīng)網(wǎng)絡(luò)？

以前的研究通常試圖通過模仿電子對應(yīng)物經(jīng)常做的事情來擴展光學(xué)神經(jīng)網(wǎng)絡(luò)的容量——增加神經(jīng)元層的數(shù)量。Taichi 的架構(gòu)通過將計算分布在多個并行運行的小芯片上來擴展，這意味著 Taichi 可以避免當(dāng)光學(xué)神經(jīng)網(wǎng)絡(luò)將許多神經(jīng)元層堆疊在一起時發(fā)生的指數(shù)級累積錯誤問題。

“這種'深度淺，寬度寬'的架構(gòu)保證了網(wǎng)絡(luò)規(guī)模，”Fang說。