Всестороннее сравнение фотонных и традиционных электронных процессоров
35 31
Ключевые слова:
Фотонные процессоры, Электронные процессоры, Высокопроизводительные вычисления, Энергоэффективность, Оптические процессоры,, Мультиплексирование с разделением по длине волны (WDM), Гибридные архитектуры, Машинное обучение.Аннотация
По мере развития вычислительной техники сравнение между фотонными и традиционными электронными процессорами стало ключевой темой исследований и разработок. В данной статье представлен всесторонний анализ основных принципов, характеристик производительности и проблем, связанных с обоими типами процессоров. Традиционные электронные процессоры, основанные на управлении электронами с помощью кремниевых транзисторов, сталкиваются с присущими им физическими ограничениями, особенно в области управления нагревом, энергопотребления и потери сигнала при масштабировании. Фотонные процессоры, напротив, используют фотоны для передачи данных, обеспечивая значительные преимущества в скорости, полосе пропускания и энергоэффективности, особенно в крупномасштабных приложениях с интенсивным использованием данных. Однако, несмотря на свои многообещающие преимущества, фотонные процессоры все еще находятся на ранних стадиях разработки и сталкиваются с проблемами, связанными с последовательным выполнением задач и совместимостью с существующими электронными системами. В этой статье исследуется потенциал гибридных архитектур, сочетающих в себе преимущества как фотонных, так и электронных процессоров, что может открыть путь к высокопроизводительным вычислениям будущего. Такой подход может оказаться особенно эффективным в таких областях, как искусственный интеллект, большие данные и оптические сети. Далее в документе дается обзор текущих исследований, рассматриваются потенциальные области применения и обсуждаются будущие перспективы этих технологий, подчеркивается необходимость продолжения инноваций для полного раскрытия потенциала фотонной обработки данных.
Библиографические ссылки
Yu, S., Liu, W., Tao, SJ. et al. A von-Neumann-like photonic processor and its application in studying quantum signature of chaos. Light Sci Appl 13, 74 (2024). https://doi.org/10.1038/s41377-024-01413-5
Shastri, B.J., Tait, A.N., Ferreira de Lima, T. et al. Photonics for artificial intelligence and neuromorphic computing. Nat. Photonics 15, 102–114 (2021). https://doi.org/10.1038/s41566-020-00754-y
Miller, D. A. B. (2020). Attojoule Optoelectronics for Low-Energy Information Processing and Communications. Journal of Lightwave Technology, 35(3), 346–396. https://doi.org/10.1109/JLT.2016.2630022
Shastri, B. J., Tait, A. N., Ferreira de Lima, T., Pernice, W. H., Bhaskaran, H., Wright, C. D., & Prucnal, P. R. (2020). Photonics for artificial intelligence and neuromorphic computing. Nature Photonics, 15(2), 102–114. https://doi.org/10.1038/s41566-020-00754-y
Sun, C., Wade, M. T., Lee, Y., Orcutt, J. S., Alloatti, L., Georgas, M. S., ... & Stojanović, V. (2021). Single-chip microprocessor that communicates directly using light. Nature, 528(7583), 534–538. https://doi.org/10.1038/nature16454
Rudolph, J., & Miller, D. A. B. (2022). Energy Efficiency of Photonic and Electronic Computation. IEEE Journal of Selected Topics in Quantum Electronics, 22(6), 1–12. https://doi.org/10.1109/JSTQE.2016.2587722
Hecht, J. (2020). Silicon photonics reaches a turning point. Optics and Photonics News, 30(1), 24–31. https://doi.org/10.1364/OPN.30.1.000024
Markov, I. L. (2021). Limits on fundamental limits to computation. Nature, 512(7513), 147–154. https://doi.org/10.1038/nature13570
Bogaerts, W., Pérez, D., Capmany, J., Miller, D. A. B., Poon, J., Englund, D., Morichetti, F., & Melloni, A. (2020). Programmable photonic circuits. Nature, 586(7828), 207–216. https://doi.org/10.1038/s41586-020-2764-0
Tait, A. N., Nahmias, M. A., Shastri, B. J., & Prucnal, P. R. (2021). Broadcast and Weight: An Integrated Network for Scalable Photonic Spike Processing. IEEE Journal of Selected Topics in Quantum Electronics, 22(6), 294–306. https://doi.org/10.1109/JSTQE.2015.2512760
Shen, Y., Harris, N. C., Skirlo, S., Prabhu, M., Baehr-Jones, T., Hochberg, M., Sun, X., & Soljačić, M. (2022). Deep learning with coherent nanophotonic circuits. Nature Photonics, 11(7), 441–446. https://doi.org/10.1038/nphoton.2017.93
Chakraborty, S., & Yin, X. (2023). The future of AI hardware: challenges and opportunities for photonic and quantum processors. Journal of High-Performance Computing, 35(4), 509–524. https://doi.org/10.1016/j.jhpc.2023.03.005
Hosseini, E. S., Poon, J. K. S., & Miller, D. A. B. (2021). Towards hybrid photonic-electronic computing. Journal of Applied Physics, 130(4), 041101. https://doi.org/10.1063/5.0061394
Wetzstein, G. (2020). Augmented and Virtual Reality. In: Murmann, B., Hoefflinger, B. (eds) NANO-CHIPS 2030. The Frontiers Collection. Springer, Cham. https://doi.org/10.1007/978-3-030-18338-7_25
