光電初創公司Lightmatter詳細介紹了其AI光學加速器芯片

在本周的熱門芯片會議之前，光子學芯片初創公司Lightmatter透露了有關即將推出的測試芯片的首個技術細節，該芯片有望在2021年秋季發布。與傳統的處理器和圖形卡不同，測試芯片使用光來發送信號，有望提高性能和效率幾個數量級。

測試芯片的基礎技術-光子集成電路-源自Lightmatter首席執行官和MIT校友Nicholas Harris共同撰寫的2017年一篇論文，該論文描述了一種利用光干涉執行機器學習工作負載的新穎方法。這樣的芯片僅需要有限的能量，因為光產生的熱量少于電。它們還受益于減少的等待時間，并且不易受到溫度，電磁場和噪聲變化的影響。

Lightmatter對測試芯片提出了驚人的要求。該公司表示，盡管沒有基準測試，但該測試芯片的性能要優于Nvidia圖形卡，Intel和AMD處理器，甚至在最先進的AI模型上，甚至比Google的張量處理單元(TPU)之類的專用硬件都要好。(Lightmatter說，一個測試芯片在開源ImageNet數據集上運行了ResNet-50對象分類模型，具有99%的單精度浮點精度。)

除了夸張，Lightmatter說，它的通信平臺-項目Wormhole，以計算機網絡中的流量控制系統(稱為“蟲洞交換”)命名，可以使大約50個測試芯片處理器在沒有光纖的情況下以超過100Tbps的速率交換數據。通過“晶圓級”光子平臺進行通信，芯片簇的行為就好像它們是一個大型系統一樣，在整個陣列中發送數據。

像通過棱鏡折射的多種顏色的光束一樣，單個測試芯片可以同時使用不同波長的光執行計算。它通過調制稱為波導的線狀組件的亮度，對數據進行編碼并通過光學器件將其發送出去。測試芯片與其他芯片和外界的通信非常類似于標準電子芯片(即，通過發送一系列電信號)。當它們完成對光束的計算時，P1芯片會利用類似于太陽能電池板的光電探測器將光信號轉換回可以存儲或讀取的電信號。

那么這對機器學習有什么好處呢?當物體檢測算法處理圖像時，它將每個像素分為三個通道(紅色，綠色和藍色)，并將圖像逐行轉換為值的集合(向量)。分別的紅色，綠色和藍色矢量通過處理器，該處理器在這些矢量上執行算法以識別圖像內對象。

數字處理器將向量通過稱為乘法累加單元(MAC)的數組進行執行。硅處理器具有少量的MAC，而GPU具有整個MAC陣列，從而使后者性能更高。但是像Lightmatter的測試芯片這樣的光學芯片能夠通過將向量的輸入通過一系列的數模轉換器來執行算法，然后將它們從數字序列轉換為成比例大小的電信號。

測試芯片內的光調制器將信號轉換為由硅制成的波導內的激光束所攜帶的光信號。在光中編碼并由波導引導的向量通過光學設備的2D陣列發光，該陣列執行與MAC相同的操作。但是，與數字處理器MAC(每層必須等待上一層完成)相反，測試芯片中的計算是在光束“飛行”時(通常在80皮秒內)進行的。

Lightmatter的硬件旨在插入標準服務器或工作站，因此無法不受光學處理的限制?？焖俚墓庾与娐沸枰焖俚拇鎯?，然后就需要將每個組件(包括激光器，調制器和光學組合器)封裝到一個微小的芯片晶圓上。此外，關于在光學領域可以執行哪種類型的非線性運算(使模型能夠進行預測的基本模型構建塊)仍存在疑問。

這可能就是為什么像Intel和LightOn這樣的公司追求混合方法的原因，該方法將硅和光學電路結合在同一芯片上，以使模型的一部分以光學方式運行，而模型的一部分以電子方式運行。這些公司并不孤單-迄今為止，初創公司Lightelligence已在其加速器上展示了MNIST基準機器學習模型，該模型使用計算機視覺識別手寫數字。和LightOn，Optalysis和Fathom Computing都在爭奪新興的光學芯片市場，它們已經為自己的芯片籌集了數千萬的風險投資。值得一提的是，總部位于波士頓的Lightmatter已從GV(Alphabet的風險部門)，Spark Capital和Matrix Partners等投資者那里籌集了總計3,300萬美元的資金。Lightmatter表示，其當前的重點不在硬件上，是確保測試芯片與流行的AI軟件一起使用，包括Google的TensorFlow機器學習框架。

現代和起亞今年前10個月出口逾9萬輛電動汽車 同比增長71.3%

中芯國際稱產能接近滿載 14nm量產良率已達業界量產水準

OPPO和vivo申請綠廠藍廠商標 引發網友關注

華為申請“HICAR SMART COCKPIT”等商標 國際分類為“科學儀器”

NASA為登月任務組裝火箭 預計在2024年將第一位女性送上月球

特斯拉申請召回美國9136輛Model X及401輛Model Y

OPPO Reno5 Pro入網工信部：雙曲面屏設計 矩陣式相機模組

特斯拉在歐洲漲價，下一批Model S在德國貴了4萬