《技术处理器解决高度复杂的优化任务》

  • 来源专题:智能制造
  • 编译者: icad
  • 发布时间:2023-09-14
  • 通过数字化方法和颠覆性制造技术实现面向未来的企业定位和经济成功:该行业在产品的数字化和可持续性方面正面临重大变化。人工智能(AI)是这一发展的一个有希望的支持。借助人工智能,可以控制和监控高度复杂的流程。数据分析为提高生产力提供了基础,并向分散生产中的智能对象展示了下一个独立步骤。但是,要生成有意义且可操作的数据,还有很长的路要走。每家公司都有不同的数据,最重要的是,有不同的数据结构。数据必须以尽可能高的质量从机器、计算机和纸张传输到评估界面,例如正确的列、相同的数据类型、相同的拼写等。但是,如何才能实现呢?应该如何处理数据?通过DAP主席为增材生产应用开发的技术处理器,可以回答这些问题。在编程已知的面向对象的基础上,构建了优化的数据存储结构。这些生成的数据结构通过来自人类和机器的元数据变得机器可读和解释。借助这些收集到的数据,技术处理器解决了时间、成本和质量之间紧张的领域中高度复杂的多维优化任务。例如,初步结果表明,自动选择方向的可能性至少与人类一样,并考虑了机器利用率等生产物流变量。通过这种方式,拥有广泛数据库的公司可以做出详细而良好的决策,从而实现资源高效和有竞争力的增材制造生产。
  • 原文来源:https://dap-aachen.de/project/technologieprozessor-loest-hochkomplexe-optimierungsaufgaben
相关报告
  • 《光学处理器能够处理复杂的机器学习》

    • 来源专题:光电情报网信息监测服务平台
    • 编译者:husisi
    • 发布时间:2020-07-27
    • 神经网络为基础的机器学习是一种开发人工智能的当前热点。《应用物理评论》杂志上的一篇论文提出了一种使用光而不是电来执行神经网络所需计算的新方法。在这种方法中,一个光学的张量核心并行执行矩阵的乘法,提高了当前深度学习模式的速度和效率。 在机器学习中,神经网络接受训练从而执行无监督的决策和对未知数据的分类。一旦神经网络进行了数据训练,它就可以生成一个推理来识别和分类目标以及模式,从而在数据中查找标识。以光学为基础的张量处理单元(TPU)并行存储和处理数据,具有光电互连功能,使光学内存能够高效读取和写入,光子 TPU 可与其他架构进行接口。 作者之一 Mario Miscuglio 说,“我们发现,集成的光学平台容纳了高效光存储器可以执行与张量处理单元相同的操作,但它们功耗更小,同时具有更高的吞吐量。如果经过适当培训,可用于以光的速度进行推理。” 大多数神经网络拆解多层相互关联的神经元,旨在模仿人的大脑。实现这些网络的一个有效的方式是将矩阵和向量相乘的复合函数。这种方式可以实现高效的并行计算。科学家可以通过专门用于向量化操作(如矩阵乘法)的体系结构来实现并行计算。但是,如果处理的任务越高级,所需的预测精度越高,神经网络就会变得越复杂。此类网络需要海量的数据用于计算,并需要更多的功耗处理这些数据。 研究结果表明,他们的光学TPU的性能可以高于电学TPU的2-3个数量级。至于像5G网络一样的网络外围,计算端点的分配网络和高吞吐量以及智能任务处理的引擎,光子也可以是一个理想的选择。在网络的外围,数据信号可能已经以光子的形式存在。这些光子来自于监控摄像机、光学传感器和其他源。Miscuglio 说,“光子专用处理器可以节省大量的能源,缩短响应时间并且减少数据中心的流量。” 对于终端用户来说,这意味着数据处理速度要快得多,因为大部分数据是预处理的,这意味着只需要将一部分数据发送到云端或数据中心就可以满足用户的需要。
  • 《全球首款光子AI处理器》

    • 来源专题:新一代信息技术
    • 编译者:张嘉璐
    • 发布时间:2025-07-29
    • 此次合作标志着模拟光子协处理器首次成功集成至实际运行的高性能计算(HPC)环境,使莱布尼茨超级计算中心(LRZ)能够评估光子加速技术在人工智能(AI)和模拟计算任务中的应用,为实现性能显著提升与能耗断崖式下降开辟了新途径。作为欧洲顶级数据中心之一,LRZ凭借其尖端基础设施和开创性研究,持续支持着多学科领域的突破性发现。 Q.ANT与LRZ的合作被视为重新定义数据中心性能、空间占用、能效和系统架构标准的重要尝试,开启了以光子驱动模拟计算解决AI基础设施扩展危机的新篇章。"光子处理器为加速AI和模拟计算任务提供了创新性解决方案,同时大幅降低环境足迹,"LRZ董事会主席Dieter Kranzlmüller教授表示,"Q.ANT的NPS系统可轻松集成至我们现有基础设施,使我们能立即评估其性能表现。" "与LRZ的合作具有决定性意义:这是历史上首次在实际工作负载下于HPC环境中运行光子处理器,"Q.ANT首席执行官Michael F?rtsch博士解释道,"这一进展表明,基于光子的处理器已从研究阶段迈入实际应用。这是到2030年将光子计算融入下一代计算机架构主流的关键一步。" 随着AI对计算需求的不断增长,高性能数据中心在功耗、散热和空间方面都面临极限挑战。而采用光子芯片则无需昂贵的冷却措施——因其完全不产生热量,同时得益于光的独特物理特性,能够在光子处理器上更快、更高效地完成复杂运算。 Q.ANT的光子技术开创了新一代高性能、高能效服务器解决方案:单工作负载功耗降低90倍(无芯片发热+冷却需求减少)数据中心容量提升100倍(计算密度增加+复杂运算加速)芯片所有计算操作均保持16位浮点精度,准确率近100%通过标准PCIe接口和x86软件兼容性无缝集成现有基础设施(支持PyTorch、TensorFlow、Keras等框架)Q.ANT的NPS系统利用光而非电进行复杂计算,可完全兼容现有数据中心硬件和软件环境。凭借x86兼容性,无需调整软件堆栈或改变服务器布局。NPS系统不仅能耗显著降低、芯片零发热,还能实现更高的计算密度。 这项由德国联邦教育及研究部资助的合作,旨在研究未来HPC环境中的数字-模拟混合架构。通过部署Q.ANT的NPS系统,LRZ将光子模拟计算纳入研究范围——这一技术在项目启动时还不具备可行性,如今因Q.ANT在光子学领域的突破而成为现实。LRZ表示,将利用Q.ANT的NPS系统为气候建模、实时医学成像、核聚变材料模拟等应用建立新的性能基准和实际用例。 LRZ的第一阶段评估工作包括:部署多台最新一代Q.ANT NPS系统、选定基准工作负载,并测试实际应用场景——特别是在AI推理、计算机视觉和物理模拟领域。后续阶段将引入第二代和第三代NPS系统进行更深入的评估。