Işık Hızında Yapay Zeka: MIT’nin Optik 6G Çipi
Bu çip, derin öğrenmenin ışık hızında çalışmasını sağlayarak uç cihazların gelişmiş yeteneklerle gerçek zamanlı veri analizi yapmasına olanak tanıyabilir.
Daha fazla bağlı cihaz, uzaktan çalışma ve bulut bilişim gibi faaliyetler için daha fazla bant genişliğine ihtiyaç duydukça, tüm kullanıcılar tarafından paylaşılan sınırlı kablosuz spektrumu yönetmek giderek zorlaşıyor.
Bu sorunu çözmek için mühendisler, gecikmeyi azaltmayı ve performansı artırmayı amaçlayarak kablosuz spektrumu dinamik olarak yönetmek için yapay zekaya yöneliyor. Ancak, kablosuz sinyalleri işlemek ve sınıflandırmak için kullanılan çoğu yapay zeka tekniği önemli miktarda güç tüketiyor ve gerçek zamanlı olarak çalışamıyor.
Şimdi, MIT’deki araştırmacılar kablosuz sinyal işleme için özel olarak tasarlanmış yeni bir yapay zeka donanım hızlandırıcısı yarattılar. Bu optik işlemci, makine öğrenimi görevlerini ışık hızında gerçekleştirerek kablosuz sinyalleri nanosaniyeler içinde sınıflandırıyor.
Fotonik çip, mevcut en iyi dijital alternatiflerden yaklaşık 100 kat daha hızlı çalışıyor ve sinyal sınıflandırmada yaklaşık yüzde 95 doğruluk elde ediyor. Ayrıca ölçeklenebilir ve çeşitli yüksek performanslı bilgi işlem görevleri için uyarlanabilir. Buna ek olarak, çip geleneksel dijital yapay zeka donanımından daha küçük, daha hafif, daha uygun fiyatlı ve daha enerji tasarrufludur.
Bu teknoloji, kablosuz modülasyon formatlarını gerçek zamanlı koşullara göre ayarlayarak veri hızlarını artıran bilişsel radyolar gibi geleceğin 6G kablosuz sistemleri için özellikle değerli olabilir.
Uç cihazların derin öğrenme hesaplamalarını gerçek zamanlı olarak gerçekleştirmesine olanak tanıyan donanım hızlandırıcı, sinyal işlemenin ötesinde bir dizi uygulamayı önemli ölçüde hızlandırabilir. Bunlar arasında otonom araçların çevresel değişikliklere anında yanıt vermesini sağlamak ya da akıllı kalp pillerinin kalp sağlığını sürekli olarak izlemesine olanak tanımak yer alıyor.
“Kablosuz sinyalleri analiz edebilen uç cihazların mümkün kılacağı pek çok uygulama var. Makalemizde sunduğumuz şey, gerçek zamanlı ve güvenilir yapay zeka çıkarımı için birçok olasılığın önünü açabilir. Bu çalışma, oldukça etkili olabilecek bir şeyin başlangıcıdır” diyor MIT Elektrik Mühendisliği ve Bilgisayar Bilimleri Bölümü’nde profesör, Kuantum Fotonik ve Yapay Zeka Grubu ve Elektronik Araştırma Laboratuvarı’nda (RLE) baş araştırmacı ve makalenin kıdemli yazarı olan Dirk Englund.
Kendisine makalede baş yazar Ronald Davis III PhD ’24; şu anda Güney Kaliforniya Üniversitesi’nde yardımcı doçent olan eski bir MIT postdoc’u Zaijun Chen; ve RLE’de misafir bilim insanı ve NTT Research’te kıdemli bilim insanı olan Ryan Hamerly eşlik ediyor. Araştırma Science Advances dergisinde yayımlandı.
Işık hızında işleme
Kablosuz sinyal işleme için mevcut dijital yapay zeka hızlandırıcıları, sinyali bir görüntüye dönüştürerek ve sınıflandırma için bir derin öğrenme modelinden geçirerek çalışır. Bu yöntem çok doğru olmasına rağmen, derin sinir ağları önemli miktarda bilgi işlem gücü gerektirdiğinden, yaklaşımı hızlı ve gerçek zamanlı yanıtlar gerektiren birçok uygulama için uygunsuz hale getirmektedir.
Optik sistemler, verileri ışık kullanarak kodlayıp işleyerek derin sinir ağlarını hızlandırabilir ve bu da dijital hesaplamadan daha az enerji gerektirir. Ancak araştırmacılar, optik cihazın ölçeklenebilir olmasını sağlarken, sinyal işleme için kullanıldığında genel amaçlı optik sinir ağlarının performansını en üst düzeye çıkarmak için mücadele ettiler.
Araştırmacılar, çarpımsal analog frekans dönüşümlü optik sinir ağı (MAFT-ONN) adını verdikleri, özellikle sinyal işlemeye yönelik bir optik sinir ağı mimarisi geliştirerek bu sorunun üstesinden geldiler.
MAFT-ONN, kablosuz sinyaller sayısallaştırılmadan önce tüm sinyal verilerini kodlayarak ve tüm makine öğrenimi işlemlerini frekans alanı olarak bilinen alanda gerçekleştirerek ölçeklenebilirlik sorununu ele alıyor.
Araştırmacılar optik sinir ağlarını tüm doğrusal ve doğrusal olmayan işlemleri sıralı olarak gerçekleştirecek şekilde tasarladılar. Her iki işlem türü de derin öğrenme için gereklidir.
Bu yenilikçi tasarım sayesinde, her bir hesaplama birimi veya “nöron” için bir cihaz gerektiren diğer yöntemlerin aksine, tüm optik sinir ağı için katman başına yalnızca bir MAFT-ONN cihazına ihtiyaç duyuyorlar.
Davis, “10.000 nöronu tek bir cihaza sığdırabilir ve gerekli çarpımları tek bir seferde hesaplayabiliriz” diyor.
Araştırmacılar bunu fotoelektrik çarpma adı verilen ve verimliliği önemli ölçüde artıran bir teknik kullanarak gerçekleştiriyor. Bu aynı zamanda, fazladan ek yük gerektirmeden ek katmanlarla kolayca ölçeklendirilebilen bir optik sinir ağı oluşturmalarına da olanak tanıyor.
Nanosaniye cinsinden sonuçlar
MAFT-ONN bir kablosuz sinyali girdi olarak alır, sinyal verilerini işler ve uç cihazın daha sonra gerçekleştireceği işlemler için bilgileri aktarır. Örneğin, bir sinyalin modülasyonunu sınıflandırarak MAFT-ONN, bir cihazın taşıdığı verileri çıkarmak için sinyalin türünü otomatik olarak çıkarmasını sağlayabilir.
Araştırmacıların MAFT-ONN’yi tasarlarken karşılaştıkları en büyük zorluklardan biri, makine öğrenimi hesaplamalarının optik donanımla nasıl eşleştirileceğini belirlemekti.
“Normal bir makine öğrenimi çerçevesini raftan alıp kullanamazdık. Onu donanıma uyacak şekilde özelleştirmemiz ve istediğimiz hesaplamaları yapabilmesi için fizikten nasıl yararlanacağımızı bulmamız gerekiyordu” diyor Davis.
Mimarilerini simülasyonlarda sinyal sınıflandırması üzerinde test ettiklerinde, optik sinir ağı tek bir çekimde yüzde 85 doğruluk elde etti ve bu da birden fazla ölçüm kullanarak yüzde 99’dan fazla doğruluğa hızla yakınsayabilir. MAFT-ONN tüm süreci gerçekleştirmek için yalnızca yaklaşık 120 nanosaniye gerektirdi.
“Ne kadar uzun süre ölçüm yaparsanız, o kadar yüksek doğruluk elde edersiniz. MAFT-ONN çıkarımları nanosaniyeler içinde hesapladığından, daha fazla doğruluk elde etmek için çok fazla hız kaybetmezsiniz,” diye ekliyor Davis.
Son teknoloji ürünü dijital radyo frekansı cihazları makine öğrenimi çıkarımlarını mikrosaniyeler içinde gerçekleştirebilirken, optik bunu nanosaniyeler hatta pikosaniyeler içinde yapabiliyor.
Araştırmacılar, daha fazla hesaplama yapabilmek ve MAFT-ONN’yi ölçeklendirebilmek için çoğullama şemaları olarak bilinen şemaları kullanmak istiyorlar. Ayrıca çalışmalarını, transformatör modellerini veya LLM’leri çalıştırabilecek daha karmaşık derin öğrenme mimarilerine genişletmek istiyorlar.
Kaynak: https://scitechdaily.com
6G Teknolojisi: İnsanlar ‘Enerji Kaynağı’ Olarak Kullanılabilir