Optische Technologie ermöglicht Aktualisierung von KI-Robotern im laufenden Betrieb
Cornell Tech
Forscher des Cornell Tech haben einen optischen Empfänger entwickelt, der Daten mithilfe von Licht direkt auf den Chip-Speicher schreibt und dabei energieintensive analoge Schaltungen umgeht. Die Technologie nutzt Lichtmatrizen, ähnlich QR-Codes, um KI-Modellparameter zu übertragen, was potenziell den Stromverbrauch in Rechenzentren, autonomen Fahrzeugen und Edge-Robotern senken könnte.
Auf dem IEEE/JSAP VLSI Technology & Circuits Symposium wurde ein neues optisches Empfängerdesign vorgestellt, das von Yifan He, Postdoktorand an der Cornell Tech, und Professor Jae-sun Seo entwickelt wurde. Der Empfänger nutzt Fotodioden, die in die SRAM-Zellen (Static Random-Access Memory) des Prozessors eingebettet sind: Licht von einem LED-Array, das einem QR-Code ähnelt, erzeugt einen Fotostrom, der Bits im Speicher direkt ändert. Dieser Ansatz ermöglicht die Übertragung von KI-Modellparametern ohne den Einsatz analoger Schaltungen, die typischerweise viel Energie verbrauchen. In aktuellen Systemen werden zusätzliche Daten in DRAM (Dynamic Random-Access Memory) gespeichert, und deren Übertragung über elektrische Verbindungen schafft einen Engpass bei der Energieeffizienz. Optische Kanäle bieten hohe Bandbreite bei geringeren Verlusten, aber bestehende Empfänger benötigen energiehungrige Analog-Digital-Wandler. Die neue Schaltung umgeht dieses Problem, indem sie vollständig digital arbeitet. Bislang handelt es sich um einen 14x14-Bit-Prototypen, aber die Forscher arbeiten mit Optikgruppen zusammen, um einen schnellen Sender zu bauen, der das Array millionenfach pro Sekunde aktualisieren kann. Die Technologie könnte Anwendungen in der Edge-KI-Robotik finden – beispielsweise zur Aktualisierung von KI-Modellen auf Lagerrobotern oder in Mikrorobotern mit begrenztem Speicher. Dennis Sylvester von der University of Michigan hob das kommerzielle Potenzial der Entwicklung hervor, wies jedoch darauf hin, dass die lichtempfindlichen Zellen derzeit größer sind als gewöhnliche SRAM-Zellen, was die Speicherdichte verringert. Das Team arbeitet daran, die Zellen durch Transistoroptimierung und CMOS-Skalierung zu verkleinern.
Quelle: IEEE Spectrum AI —
Original
