Pesquisadores da Universidade de Tsinghua em Pequim apresentaram Taichi, uma arquitetura fotônica de chiplete AI detalhada em uma publicação recente em Lu Fang Do Departamento de Engenharia Eletrônica e Professor Qionghai Dai do Deficiência da Automação, o percurso de energia de uma eficiência em grande parte da efabilidade da rede de energia
P> P> P> Watt (Tops/W), uma métrica-chave para o poder de processamento de IA em relação à energia consumida. De acordo com a análise da China Academy, isso representa uma melhoria notável em relação aos chips de rede neural fotônica comparáveis desenvolvidos anteriormente. Como IEEE Spectrum Destacado em sua cobertura, os custos de treinamento para modelos como o GPT-3 da OpenAI ressaltaram os desafios energéticos dos eletrônicos convencionais. A computação fotônica, usando luz para cálculos, foi explorada por seu potencial de eficiência, mas os esforços anteriores enfrentaram dificuldades de escala devido à amplificação de ruído. Controles restringindo o acesso a aceleradores de IA como as GPUs H100 e H20 da NVIDIA na China, adicionando contexto à busca de hardware alternativo. As comparações citadas pelo espectro IEEE sugerem que a Taichi opera com potencialmente mais de 1.000 vezes a eficiência energética do chip H100. Atualmente, a Huawei revelou o cluster da CloudMatrix 384 AI, que supera a arquitetura líder da NVIDIA GB200 NVL72 em desempenho, mas com o custo de um composto de energia muito mais alto. Os chiplets, com o objetivo de mesclar a alta densidade de difração com a reconfigurabilidade da interferência.
Este trabalho se baseia na pesquisa anterior da equipe, incluindo um chip óptico chamado OPCA focado no processamento rápido de imagem. Em vez de usar camadas ópticas profundas, que podem ampliar erros, Taichi usa uma arquitetura distribuída. Lu Fang descreveu isso no espectro IEEE como uma arquitetura”superficial em profundidade, mas ampla em largura”[que] garante a escala de rede”. O Science Abstract observa que “milhões de neurônios capacidade” decorrentes de seus 13,96 milhões de parâmetros, enquanto o anúncio da Universidade emoldurava a escala efetiva como apoiando “bilhões” de neurônios. O financiamento para o projeto incluiu o apoio do Ministério da Ciência e Tecnologia da China e da Fundação Nacional de Ciências Naturais da China, de acordo com Dados com os dados com o estudo A equipe de Tsinghua validou Taichi em benchmarks complexos de IA. Ele alcançou 91,89% de precisão, classificando as 1.623 categorias nas Omniglot Handwritado Set Lu Fang afirmou na entrevista do IEEE Spectrum.”Eles agora podem ser aplicados em tarefas do mundo real”. No entanto, enquanto o chiplet em si é compacto, o sistema completo atualmente requer equipamentos externos substanciais. Lu Fang observou ao IEEE Spectrum que componentes como a fonte do laser e as interconexões de dados permanecem volumosos, ocupando espaço de laboratório significativo (“quase uma tabela inteira”). Trabalho futuro visa integrar essas funções de maneira mais de perto, direcionando aplicativos em grandes modelos de IA, geração de conteúdo e robótica.
