الدوائر الضوئية المتكاملة ، أو الرقائق الضوئية ، لديها القدرة على تقديم العديد من المزايا على نظيراتها الإلكترونية ، مثل انخفاض استهلاك الطاقة وتقليل زمن الوصول في الحوسبة. لهذا السبب يعتقد العديد من الباحثين أنهم يمكن أن يكونوا فعالين للغاية في مهام التعلم الآلي وإنشاء الذكاء الاصطناعي (AI). ترى إنتل أيضًا آفاقًا كبيرة لاستخدام ضوئيات السيليكون في هذا المجال. مجموعة من الباحثين في وصف بالتفصيل الطرق الجديدة التي يمكن أن تقرب الشبكات العصبية الضوئية خطوة واحدة من الواقع.
في الآونة الأخيرة ، مكرس للتعلم الآلي ، يروي كيف بدأ البحث في مجال الشبكات العصبية الضوئية. أظهر العمل العلمي لـ David AB Miller و Michael Reck أن نوعًا من الدوائر الضوئية المعروفة باسم مقياس تداخل Mach-Zehnder (MZI) يمكن تكوينه لإجراء مضاعفة مصفوفة 2 × 2 ، حيث ، إذا تم وضع MZI في شبكة مثلثة من أجل الضرب مصفوفات كبيرة ، يمكنك الحصول على دائرة تنفذ خوارزمية ضرب المصفوفة - المتجه - الحساب الرئيسي المستخدم في التعلم الآلي.
ركز بحث إنتل الجديد على ما يحدث عندما تتسبب العيوب المختلفة التي تتعرض لها الرقائق الضوئية أثناء التصنيع (لأن الضوئيات الحسابية تناظرية بطبيعتها) في إحداث اختلافات في الدقة الحسابية بين الرقائق المختلفة من نفس النوع. على الرغم من إجراء دراسات مماثلة بالفعل ، فقد ركزت في الماضي بشكل أكبر على تحسين ما بعد التصنيع للتخلص من الأخطاء المحتملة. لكن هذا النهج ضعيف في قابلية التوسع حيث تصبح الشبكات أكبر وأكبر ، مما ينتج عنه طاقة معالجة أكبر مطلوبة لإنشاء الشبكات الضوئية. بدلاً من تحسين ما بعد التصنيع ، نظرت إنتل في إمكانية التدريب لمرة واحدة للرقائق قبل التصنيع من خلال استخدام بنية مقاومة للضوضاء. تم تدريب الشبكة العصبية البصرية المرجعية مرة واحدة ، وبعد ذلك تم توزيع معلمات التدريب على عدة حالات شبكة ملفقة مع وجود اختلافات في مكوناتها.
نظر فريق إنتل في بنيتين لبناء أنظمة ذكاء اصطناعي تعتمد على MZI: GridNet و FFTNet. تضع GridNet MZIs في شبكة يمكن التنبؤ بها ، بينما تضعها FFTNet في نمط الفراشة. بعد التدريب على محاكاة مهمة مرجعية التعلم العميق للتعرف على الأرقام المكتوبة بخط اليد (MNIST) ، وجد الباحثون أن GridNet حققت دقة أعلى من FFTNet (98٪ مقابل 95٪) ، لكن بنية FFTNet كانت "أكثر قوة بشكل ملحوظ". في الواقع ، انخفض أداء GridNet إلى أقل من 50٪ مع إضافة الضوضاء الاصطناعية (التداخل الذي يحاكي العيوب المحتملة في إنتاج الرقائق الضوئية) ، بينما ظل ثابتًا تقريبًا بالنسبة لشبكة FFTNet.
يقول العلماء إن أبحاثهم تضع الأساس لأساليب تدريب الذكاء الاصطناعي التي يمكن أن تلغي الحاجة إلى ضبط الرقائق الضوئية بعد تصنيعها ، مما يوفر وقتًا وموارد ثمينة.
كتب Casimir Wierzynski ، المدير الأول في Intel AI Product Group ، "كما هو الحال مع أي عملية تصنيع ، ستحدث بعض العيوب ، مما يعني أنه ستكون هناك اختلافات صغيرة بين الرقائق ، وستؤثر هذه على دقة الحسابات". "إذا أصبحت الجواهر العصبية الضوئية جزءًا قابلاً للتطبيق من النظام البيئي لأجهزة الذكاء الاصطناعي ، فستحتاج إلى الانتقال إلى شرائح أكبر وتقنيات التصنيع الصناعية. يُظهر بحثنا أن اختيار البنية الصحيحة مقدمًا يمكن أن يزيد بشكل كبير من احتمالية أن تحقق الشرائح الناتجة الأداء المطلوب ، حتى في ظل وجود اختلافات في التصنيع. "
بينما تقوم شركة إنتل بإجراء الأبحاث بشكل أساسي ، قامت شركة MIT Ph.D. Yichen Shen بتأسيس شركة Lightelligence الناشئة في بوسطن ، والتي جمعت 10,7 مليون دولار من تمويل رأس المال الاستثماري و شريحة ضوئية نموذجية للتعلم الآلي ، وهي أسرع 100 مرة من الرقائق الإلكترونية الحديثة ، كما أنها تقلل من استهلاك الطاقة بترتيب من حيث الحجم ، مما يدل بوضوح مرة أخرى على وعد التقنيات الضوئية.
المصدر: 3dnews.ru