Глубокое обучение уже приносит экономике триллионы долларов, но за это приходится платить — и не только деньгами. С 2016 года затраты на обучение самых продвинутых ИИ-моделей растут в 2,4 раза каждый год. Если так пойдет дальше, к 2027 году тренировка сложных алгоритмов будет стоить больше миллиарда долларов. А еще — гигантские объемы энергии и тонны CO₂. Например, на обучение GPT-3 ушло столько электричества, сколько обычный американский дом тратит за 120 лет.

Очевидно, что нужны новые технологии, которые смогут делать то же самое, но быстрее и с меньшими затратами энергии.

Группа ученых под руководством Кристиана Чирачи (сейчас в компании Neurophos) и Микеле Ортолани (университет Сапиенца в Риме) представила принципиально новый подход. Они работают с чипами, где вместо традиционных электронных компонентов используются оптические схемы на основе легированных полупроводников. Это часть европейского проекта NEHO, цель которого — создать энергоэффективные оптические нейросети для дата-центров нового поколения.

Суть в том, что если сильно «напичкать» полупроводник свободными электронами, его свойства меняются. Вместо обычных диэлектриков получается материал с нелинейной оптической реакцией, которую можно тонко настраивать. Эксперименты показали, что в таких условиях эффективность нелинейных эффектов можно увеличить почти в 100 раз.

Почему это важно

• Скорость: световые импульсы работают быстрее электрических сигналов.
• Энергоэффективность: меньше нагрева, ниже затраты на охлаждение.
• Масштабируемость: технология совместима с существующими чипами.

Но есть нюанс: пока что все это работает в лабораторных условиях.

Результаты опубликованы в издании Light Science & Applications.

Если технологию удастся вывести из лаборатории в массовое производство, это может радикально изменить дата-центры. Сегодня на них приходится до 3% мирового энергопотребления, а с ростом ИИ этот процент будет только увеличиваться. Оптические нейросети могут сократить затраты в разы, а заодно уменьшить углеродный след. Кроме того, такие чипы могут ускорить обработку данных в реальном времени — например, в беспилотниках или системах медицинской диагностики.

Главный вопрос — насколько технология масштабируема. Пока что эксперименты проводятся на узкоспециализированных материалах (InGaAs), которые дороги в производстве. Кроме того, неясно, как система поведет себя в условиях длительной работы: оптические компоненты могут деградировать быстрее электронных.

Ранее ученые приблизились к созданию печатной активной электроники.