ترجمه فارسی مقاله محاسبات نوری برای شتاب‌دهی شبکه عصبی عمیق: مبانی، پیشرفت‌های اخیر و مسیرهای نوظهور

چکیده

Emerging artificial intelligence applications across the domains of computer vision, natural language processing, graph processing, and sequence prediction increasingly rely on deep neural networks (DNNs). These DNNs require significant compute and memory resources for training and inference. Traditional computing platforms such as CPUs, GPUs, and TPUs are struggling to keep up with the demands of the increasingly complex and diverse DNNs. Optical computing represents an exciting new paradigm for light-speed acceleration of DNN workloads. In this article, we discuss the fundamentals and state-of-the-art developments in optical computing, with an emphasis on DNN acceleration. Various promising approaches are described for engineering optical devices, enhancing optical circuits, and designing architectures that can adapt optical computing to a variety of DNN workloads. Novel techniques for hardware/software co-design that can intelligently tune and map DNN models to improve performance and energy-efficiency on optical computing platforms across high performance and resource constrained embedded, edge, and IoT platforms are also discussed. Lastly, several open problems and future directions for research in this domain are highlighted.

چکیده به فارسی (ترجمه ماشینی)

برنامه های هوش مصنوعی در حال ظهور در حوزه های دید رایانه ، پردازش زبان طبیعی ، پردازش نمودار و پیش بینی توالی به طور فزاینده ای به شبکه های عصبی عمیق (DNN) متکی هستند.این DNN ها برای آموزش و استنباط به منابع محاسباتی و حافظه قابل توجهی نیاز دارند.سیستم عامل های محاسباتی سنتی مانند CPU ، GPU و TPU در تلاشند تا با خواسته های DNN های فزاینده پیچیده و متنوع ادامه دهند.محاسبات نوری نشان دهنده یک الگوی جدید هیجان انگیز برای شتاب سرعت نور بارهای کاری DNN است.در این مقاله ، ما با تأکید بر شتاب DNN ، در مورد اصول و پیشرفت های پیشرفته در محاسبات نوری بحث می کنیم.رویکردهای مختلف امیدوار کننده برای دستگاه های نوری مهندسی ، تقویت مدارهای نوری و طراحی معماری که می تواند محاسبات نوری را با انواع بار کاری DNN سازگار کند ، توصیف شده است.تکنیک های جدید برای سخت افزار/نرم افزار طراحی شده که می تواند مدلهای DNN را با هوشمندی تنظیم و نقشه برداری کند تا عملکرد و راندمان انرژی را در سیستم عامل های محاسباتی نوری در سراسر سیستم عامل های تعبیه شده ، Edge و IoT محدود شده با کارایی بالا و محدود کند.سرانجام ، چندین مشکل باز و مسیرهای آینده برای تحقیقات در این دامنه برجسته شده است.