Optische technologie maakt het mogelijk AI-robots ter plekke bij te werken
Cornell Tech
Onderzoekers van Cornell Tech hebben een optische ontvanger ontwikkeld die gegevens met behulp van licht rechtstreeks naar het chipgeheugen schrijft, waarbij energie-intensieve analoge circuits worden omzeild. De technologie gebruikt lichtmatrices die lijken op QR-codes om AI-modelparameters te verzenden, wat mogelijk het energieverbruik in datacentra, autonome voertuigen en edge-robots vermindert.
Op het IEEE/JSAP VLSI Technology & Circuits Symposium werd een nieuw optisch ontvangerontwerp gepresenteerd, ontwikkeld door Yifan He, postdoctoraal onderzoeker aan Cornell Tech, en professor Jae-sun Seo. De ontvanger maakt gebruik van fotodiodes die zijn ingebed in de static random-access memory (SRAM)-cellen van de processor: licht van een LED-array dat lijkt op een QR-code genereert een fotostroom die direct bits in het geheugen verandert. Deze aanpak maakt het mogelijk om parameters van AI-modellen te verzenden zonder gebruik te maken van analoge circuits, die doorgaans veel energie verbruiken. In huidige systemen wordt extra data opgeslagen in dynamic random-access memory (DRAM), en het overbrengen ervan via elektrische verbindingen zorgt voor een energiedoeltreffendheidsknelpunt. Optische kanalen bieden hoge bandbreedte met lagere verliezen, maar bestaande ontvangers vereisen energieverslindende analoog-digitaalomzetters. Het nieuwe circuit omzeilt dit probleem door volledig digitaal te werken. Tot nu toe is het een 14x14-bit prototype, maar de onderzoekers werken samen met optica-groepen om een snelle zender te bouwen die de array miljoenen keren per seconde kan updaten. De technologie zou toepassingen kunnen vinden in edge AI-robotica—bijvoorbeeld voor het updaten van AI-modellen op magazijnrobots of in microrobots met beperkt geheugen. Dennis Sylvester van de University of Michigan wees op het commerciële potentieel van de ontwikkeling, maar merkte op dat de fotogevoelige cellen momenteel groter zijn dan gewone SRAM-cellen, wat de geheugendichtheid vermindert. Het team werkt aan het verkleinen van de cellen door middel van transistoroptimalisatie en CMOS-schaling.
Bron: IEEE Spectrum AI —
origineel
