训练下一代万亿级参数大模型的高效芯片诞生了！

最近，来自清华团队的研究人员开发了一种革命性的新型AI「光芯片」——「太极」（Taichi）。

不言而喻，「太极」最大的亮点是使用光，而不是电来处理数据。

与传统堆叠PIC芯片方法不同，清华团队首创了分布式广度智能光计算架构，使得「太极」成为全球首款大规模干涉衍射异构集成芯片。

「太极」具备了亿级神经元的芯片计算能力，可以显著提高处理速度和能效。

它可以实现160 TOPS/W通用智能计算。

最新研究已于4月11日发表在Science期刊上。

论文地址：https://www.science.org/doi/10.1126/science.adl1203

更令人震惊的是，「太极」能效是英伟达H100的1000倍数。

研究人员表示，「太极」为大规模的光子计算和高级任务铺平了道路，进一步发掘了光子学在现代AGI中的灵活性和潜力。

ChatGPT耗电大有解了

当前，越来越多迹象表明，LLM不会是通往AGI的最终路径。

那是因为，基于Transformer架构的大模型，通过token预测完成推理，需要消耗大量的算力。

此前ChatGPT日耗电50万度，曾被网友们吵上热搜。

若是能够发明一种，节省大量能耗的芯片，LLM的性能或在未来实现更大的飞升。

而「太极」可能会使通用人工智能（AGI）成为现实。研究人员表示，

我们预计，「太极」将加速开发更强大的光学解决方案，为基础模型和AGI新时代提供关键支持。

在将计算能力提升到AGI所需的水平方面，「太极」的模块化设计可能是一个关键优势。

清华团队设计了一个拥有1396万个人工神经元的分布式「太极」网络，超越了其他光芯片设计（147万个神经元）。

因此，「太极」实现了160.82 TOPS/W的能效。

与2022年一个团队实现的2.9 TOPS/W的能效相比，简直相形见绌。

能效的大幅提升，对于AI计算的可持续发展，至关重要。

对此，Science表示：

通用人工智能（AGI）的飞速发展带来了对下一代计算技术在性能和能效上的更高要求，而光子计算被认为有望达到这些目标。

但目前的光子集成电路，尤其是光学神经网络（ONN），在规模和计算能力上都非常有限，难以满足现代AGI任务的需求。

来自清华的团队探索了一种新型的分布式衍射-干涉混合光子计算架构，成功ONN的规模扩展到了百万神经元级。他们在芯片上成功实现了一个拥有1396万神经元的ONN，能够处理复杂的千类别级分类和AI生成内容的任务。

可以说，这项研究是光子计算实际应用的一个重要进展，为各种AI应用提供了支持。

创新性分布式计算架构

根据论文介绍，清华团队为采用分布式计算的「太极」，构建了一个深度较浅但宽度较广的网络结构。

这种可重配置的衍射干涉混合光芯片，是实现多种先进机器智能任务的关键组件，涵盖了1000类别分类和内容生成等应用。

与传统的深度计算层层堆叠的方法不同，「太极」将计算资源分配到多个独立的集群中，为子任务单独组织集群，最后为复杂的高级任务合成这些子任务。

具体地说，光学衍射层的完全连通特性，可以提供比传统DNN中的卷积层更大的变形能力。

这表明光网络具有用比电子系统更少的层来实现相同变换的潜力。

「太极」 的分布式架构深度浅而宽，旨在以可持续和高效的方式扩展计算能力。

在CIFAR-10数据集中，具有四个分布式层的「太极」 实现了与16层电子VGG-16网络相当的精度。

图 1. 「太极」：一个配备分布式计算架构的大规模光子芯片，专为百万神经元级芯片网络模型设计

图1（B）中展示了「太极」芯片，包括用于大规模输入和输出数据的双衍射单元，以及用于可重构特征嵌入和硬件多路复用的MZI阵列的可调矩阵乘法。

这些组件是「太极」（TEUs）的基本芯片上的执行单元，利用了光学衍射和干涉的强大变形能力。

图 1. 「太极」：一个配备分布式计算架构的大规模光芯片，专为百万神经元级芯片网络模型设计

接下来，再细看「太极」的设计结构。

下图A中展示了「太极」整体布局，分为三个部分：

1. 输入衍射编码器（DE）（蓝色标注）采用8×8光栅耦合器阵列进行二维信息接收。总共对64个通道的输入进行了编码，并将有效信息通过衍射调制权重压缩为8个通道。

2. 干涉特征嵌入（IE）（紫色标注）采用Mach-Zehnder调制器（MZM）阵列进行任意矩阵乘法。

3. 相对于衍射解码器，输出绕射解码器（DD）（蓝色标注）是反向的。

图2（B）便是由20个DES、4个IE，以及4个DES被部署为新的TEU，来处理32×32的patch。

每个DE处理一个8×8的分布式patch，原始1024个通道的输入数据被编码为32个通道。

接下来的4个IE计算特征嵌入，最后4个DD将嵌入解码为256个通道输出。

通过调整分布式DE、IE和DD模块的数量，形成不同的特征嵌入通道数量和输出通道数量，可重构和可扩展的DE-IE-DD框架可以适应不同的patch大小和任务难度。

图2（C）展示了具有TEU群集的分布式架构。图2D中，研究者绘制了不同不确定性水平下的层数D和稳健性Lip（F）之间的关系。

图 2. 构建「太极」的示意图

（A）「太极」的执行单元（TEUs）。

（B）多个TEUs根据计算分配协议协同工作，组成TEU集群。这些TEU集群采用滑动窗口机制处理较大的输入数据。

（C）复杂任务被分解成多个简单任务，每个简单任务由一系列TEU集群（标记为「路径」）负责处理。

（D）理论性能分析表明，随着每层网络的错误率增加，理想的层数（深度）在物理系统中会减少。然而，采用多路径的计算分配可以有效扩展网络规模，提升计算能力。

图像分类，90%+准确率

为了测试性能，研究人员首先取CIFAR-10数据集，并将每条路径设置为6层。这是实际噪声水平下的最佳规模，每层16-8-8-4-4-1 TEU。

七条路径的二值化准确率平均达到94%。

结合四条基本路径的子结果，最终的准确率达到了76.68%，已经超过了现有的芯片架构。

对于所有七条路径，最终结果提高到93.65%，与目前流行的电子神经网络的性能相当。

图3（E）是七条路径的整个测试集的混淆矩阵，图3（B）列出了「太极」、传统芯片网络体系结构、自由空间光计算体系结构和电子对应体系结构之间的精度性能基准。

图3（D）则展示了额外的路径如何帮助纠正错误的分类案例。

以青蛙图像为例，将七条路径的路径输出绘制为直方图（基本路径为紫线，额外路径为蓝线）。

在计算路径输出与每个类别的理想标签之间的相似度时，如果只采用基本路径（即错误地将青蛙视为一艘船），则会做出错误的决定，但如果将所有七条路径放在一起考虑，错误就会得到纠正。

图 3. 用于1000类别分类的大规模光芯片

（A）CIFAR-10的多路径二进制标签，其中数据集中的每个对象在每条路径上被标记为「0」或「1」。单路径（传统方法）的分类准确率有限，但多路径（提议的方法）的分类准确率随参数数量增加而提高。

（B）对比传统芯片上的光学、自由空间光学、基于电子的最先进（SOTA）架构以及「太极」在不同路径数量下的CIFAR-10分类准确率。

（C）层数对10类别分类准确率的影响，展示了实验数据（条形图）和理论预测（曲线）。

（D）在CIFAR-10数据集中，一个样本通过「太极」的路径输出显示，最少的路径数量可能导致错误判断，但增加路径数量可以纠正错误。

（E）使用七条路径的CIFAR-10混淆矩阵。

（F）在mini-ImageNet数据集上进行100类别分类任务的模拟（蓝色）与实验（紫色）结果。

（G）在Omniglot数据集上进行1623类别分类任务的模拟（蓝色）与实验（紫色）结果。

为了进一步挖掘「太极」的潜力，研究人员通过为更高级的任务部署更多路径来扩展规模。

在每条路径中，层数保持不变，但每层将包含更多TEU（每层16-16-8-8-4-4-1 TEU）。

在100个类别的mini-ImageNet数据集上，每条路径的平均二值准确率在数值计算中为92.97%，在光学实验中为88.05%。

在七条基本路径和八条额外路径的情况下，100个类别的总正确率在数值模拟中为92.76%，在实际芯片测试中为87.34%。

其中，图3（F）是每个类别的正确样本计数显示为直方图。

音乐家艺术家，全能模仿

研究人员将每个音符的生成视为一个分类问题，从47个可能的音调中进行选择，前后各有16个音符作为输入。

对于训练，团队使用了接受率为95%的MCMC方法，来优化生成的音乐片段的风格。

随着训练的进行，网络给出了一个在频率（音高）域中的音符分布，来表示音乐风格。

经过训练，网络中的参数被固定下来，以适应巴赫的音乐生成风格。

清华团队通过一个独立训练的网络对生成的结果进行评估，该网络给出了一个体现结果的巴赫风格概率的「巴赫指数」输出。

图4（D）演示了生成过程。随机噪声作为初始输入，其巴赫指数为6.61%。随着迭代的进行，音调图中形成了模式，巴赫指数增加。

经过500次迭代，生成结果的巴赫指数达到95.17%，具有典型的巴赫风格。

在这种情况下，训练和生成被独立地处理为总共4个声音。

最后，「太极」创作了一个高度巴赫风格的合成四声合唱，如图4（B）所示。

图 4. 大规模光芯片用于多样化内容生成

（A）配备TEU集群的音乐生成网络。

（B）展示了巴赫风格原始音乐与生成的四声部音高模式的对比。

（C）展示了生成的巴赫音乐的音符分布情况。

（D）使用巴赫指数进行迭代音乐生成，该指数用来评估生成音乐与巴赫风格的相似度。

再来看图像生成，不同艺术家和风格的图像，被用来训练下一代神经网络。

研究人员采用不同的比例来生成不同级别的纹理，如下图所示。

首先使用较大的Scale 1，生成粗纹理。而较小的Scale 2，然后用于生成精细纹理，从而获得具有多尺度纹理的风格化图像。

为了评估结果，研究人员对预训练的VGG-16网络进行了微调，以得出艺术家风格分类结果。

然后，作者在小图像（来自MNIST数据集的手写数字「4」）和大规模真实场景图像下测试「太极」。

输入的图像是风格化的，保留了场景中的对象形状，并添加了艺术纹理。

图 4. 大规模光芯片用于多样化内容生成

（E）配备TEU集群的图像生成网络。

（F）展示了三种不同艺术家风格的图像生成结果。输入到「太极」的图像包括带有随机噪声的手写数字「4」和真实场景，目的是生成符合指定艺术家风格的风格化图像。使用一个独立的分类网络（风格概率）来识别生成图像的风格。

此外，研究人员还进行了字体风格迁移的扩展实验，以进一步展示「太极」 chiplets的高级内容生成能力。

通过这些额外的实验，他们验证了「太极」不仅具有模仿艺术家风格的能力，而且能够从2D图像中提取更高层次的语义信息。

成果讨论

在这项工作中，团队设计了一种具有灵活分布式计算架构的大规模衍射-干涉混合型光子AI芯片——「太极」。

在光芯片方面，「太极」深入探索了光子学的大规模并行连接，相较于其他TOPS/W级别框架，展现了更优的计算效率。

未来，借助直接激光写入（DLW）和相变材料（PCM），所有权重都能被重新配置，从而提升系统的灵活性。此外，芯片上的激光源、调制器和探测器也可以被整合到同一平台上，并通过晶圆键合技术实现高级集成。

在分布式计算架构方面，这种计算和任务分配方法不仅限于「太极」使用，还能帮助现有的光子集成电路（PIC）扩展其处理更高级任务的能力。

在现代通用人工智能（AGI）领域，处理更复杂任务的趋势是不可逆的。而「太极」展示了光子计算在处理多样化复杂任务中的巨大潜力，使光学计算的实际应用成为可能。

团队认为，「太极」将加速更为强大的光学解决方案的开发，为基础模型和新一代通用人工智能的发展提供关键支持。