آموزش هوش مصنوعی با “سرعت نور” امکان پذیر می شود.

به گزارش ICTNN، پارادوکس عصر دیجیتال ما این است که با کوچکتر شدن رایانه ها، مشکلات بزرگتر می شوند. همانطور که تراشه‌ها روی ترانزیستورهای بیشتری به میلیاردها می‌رسند، مراکز داده عظیم و قدرت پردازشی مورد نیاز برای ساخت مدل‌های هوش مصنوعی مولد مدرن امکان‌پذیر می‌شود. با این حال، این مدل‌ها به قدرت پردازشی بیشتر و بیشتری نیاز دارند، مراکز داده به مصرف‌کنندگان بزرگ انرژی تبدیل شده‌اند و خود تراشه‌ها نه تنها مرزهای فناوری، بلکه قوانین فیزیک را نیز در پیش می‌گیرند.

به گزارش نیواطلس، دو گلوگاه فنی و فیزیکی این مراکز داده، سیم مسی ساده و سرعت حرکت الکترون ها در آن است. این یکی از دلایل اصلی فشرده بودن وسایل الکترونیکی است. کاهش وسایل الکترونیکی فقط به خاطر راحتی نیست. بلکه به این دلیل است که با سریع‌تر و قدرتمندتر شدن رایانه‌ها، زمان لازم برای انتقال داده‌ها از یک مؤلفه به مؤلفه دیگر به یک عامل عملکرد اصلی تبدیل می‌شود.

IBM برای سرعت بخشیدن به کارها، آنچه را که ادعا می کند نسل بعدی فناوری نوری است توسعه داده است. استفاده از اپتیک برای انتقال داده ها چیز جدیدی نیست. کابل های فیبر نوری دهه هاست که برای انتقال اطلاعات از مکانی به مکان دیگر استفاده می شود. با این حال، این استفاده در درجه اول برای فواصل طولانی است و هنگامی که داده ها وارد رایانه می شوند، فرآیند به سیم های مسی باز می گردد.

برای غلبه بر این مشکل، IBM به فرآیند جدیدی برای ایجاد اپتیک همبسته (CPO) در قالب یک موجبر نوری پلیمری (PWG) روی آورد که سیگنال‌های نوری را بین مدارهای مجتمع فوتونی (PIC) و اتصالات خارجی هدایت می‌کند. این شرکت می‌گوید که آزمایش‌های موجبرهای نوری پلیمری نشان می‌دهد که در صورت استفاده در مراکز داده، پنج برابر کمتر از نسخه‌های معمولی برق نیاز دارند و به اتصالات کابلی اجازه می‌دهند از یک متر تا صدها متر گسترش پیدا کنند و در عین حال معماری انعطاف‌پذیرتری را ارائه دهند و در عین حال داده‌های کمی را حمل کنند. در هر واحد

IBM می گوید کاهش مصرف انرژی برای آموزش یک مدل هوش مصنوعی برای تامین انرژی 5000 خانه آمریکایی به مدت یک سال کافی است و استفاده از نور به لطف 80 برابر پهنای باند بیشتر در مقایسه با سیستم های معمولی، زمان مورد نیاز برای آموزش است. یک مدل زبان بزرگ هوش مصنوعی را از سه ماه به سه هفته کاهش می دهد.

داریو گیل، مدیر تحقیقات IBM، می‌گوید: «از آنجایی که هوش مصنوعی به انرژی و قدرت پردازش بیشتری نیاز دارد، مرکز داده باید مقیاس‌پذیر باشد و این روش می‌تواند مراکز داده آینده را اثبات کند. »

ICTNN