Fotonik inteqral sxemlər və ya optik çiplər potensial olaraq elektron həmkarları ilə müqayisədə azaldılmış enerji istehlakı və hesablamada azaldılmış gecikmə kimi bir çox üstünlüklər təklif edir. Buna görə də bir çox tədqiqatçı onların maşın öyrənməsi və süni intellekt (AI) tapşırıqlarında son dərəcə təsirli ola biləcəyinə inanır. Intel bu istiqamətdə silisium fotoniklərinin istifadəsi üçün də böyük perspektivlər görür. Onun tədqiqat qrupu optik neyron şəbəkələrini reallığa bir addım yaxınlaşdıra biləcək ətraflı yeni texnikalar.
Bu yaxınlarda , maşın öyrənməsinə həsr olunmuş, optik neyron şəbəkələri sahəsində tədqiqatların necə başladığını təsvir edir. David AB Miller və Michael Reck-in tədqiqat işi göstərmişdir ki, Mach-Zehnder interferometri (MZI) kimi tanınan bir növ fotonik dövrə 2 × 2 matrisin çoxalmasını yerinə yetirmək üçün konfiqurasiya edilə bilər və MZI böyük matrisləri vurmaq üçün üçbucaqlı şəbəkəyə yerləşdirilirsə. , maşın öyrənməsində istifadə olunan əsas hesablama olan matris-vektor vurma alqoritmini həyata keçirən sxem əldə etmək olar.
Yeni Intel araşdırması, optik çiplərin istehsal zamanı həssas olduğu müxtəlif qüsurlar (hesablama fotonikası təbiətdə analoq olduğu üçün) eyni tipli müxtəlif çiplər arasında hesablama dəqiqliyində fərqlərə səbəb olduqda nə baş verdiyinə diqqət yetirdi. Oxşar tədqiqatlar aparılsa da, keçmişdə mümkün qeyri-dəqiqlikləri aradan qaldırmaq üçün daha çox istehsaldan sonrakı optimallaşdırmaya diqqət yetirdilər. Lakin şəbəkələr böyüdükcə bu yanaşma zəif miqyaslılığa malikdir və nəticədə optik şəbəkələrin qurulması üçün tələb olunan hesablama gücü artır. İstehsaldan sonrakı optimallaşdırma əvəzinə, Intel səs-küyə dözümlü arxitekturadan istifadə edərək istehsaldan əvvəl bir dəfə təlim çiplərini nəzərdən keçirdi. İstinad optik neyron şəbəkəsi bir dəfə öyrədildi, bundan sonra təlim parametrləri komponentlərindəki fərqlərlə bir neçə uydurma şəbəkə nümunələri arasında paylandı.
Intel komandası MZI əsasında süni intellekt sistemlərinin qurulması üçün iki arxitektura nəzərdən keçirdi: GridNet və FFTNet. GridNet proqnozlaşdırıla bilər ki, MZI-ləri şəbəkəyə yerləşdirir, FFTNet isə onları kəpənək nümunələrində yerləşdirir. Tədqiqatçılar hər ikisinin əlyazma rəqəmlərin tanınması dərin öyrənmə benchmark tapşırığı (MNIST) üzrə simulyasiyada məşq etdikdən sonra, GridNet-in FFTNet-dən (98% -ə qarşı 95%) daha yüksək dəqiqliyə nail olduğunu, lakin FFTNet arxitekturasının "əhəmiyyətli dərəcədə daha möhkəm" olduğunu aşkar etdilər. Əslində, GridNet-in performansı süni səs-küyün (optik çip istehsalında mümkün qüsurları simulyasiya edən müdaxilə) əlavə edilməsi ilə 50%-dən aşağı düşdü, FFTNet üçün isə bu, demək olar ki, sabit qaldı.
Alimlər deyirlər ki, onların tədqiqatı süni intellekt üzrə təlim metodlarının əsasını qoyur və bu üsullar istehsal edildikdən sonra optik çipləri dəqiq tənzimləmək ehtiyacını aradan qaldıraraq qiymətli vaxt və resurslara qənaət edə bilər.
Intel AI Məhsullar Qrupunun baş direktoru Casimir Wierzynski yazır: "İstənilən istehsal prosesində olduğu kimi, müəyyən qüsurlar baş verəcək ki, bu da çiplər arasında kiçik fərqlərin olacağını bildirir ki, bu da hesablamaların düzgünlüyünə təsir edəcək". “Optik neyron obyektlər süni intellekt aparat ekosisteminin həyat qabiliyyətli hissəsi olmaq istəyirsə, onlar daha böyük çiplərə və sənaye istehsal texnologiyalarına keçməli olacaqlar. Tədqiqatlarımız göstərir ki, qabaqda düzgün arxitekturanın seçilməsi, hətta istehsal dəyişikliklərinin mövcudluğunda belə, yaranan çiplərin istənilən performansa nail olma ehtimalını əhəmiyyətli dərəcədə artıra bilər.
Intel-in ilk növbədə tədqiqat apardığı bir vaxtda, MIT PhD namizədi Yichen Shen Bostonda yerləşən Lightelligence startapını qurdu və bu startap 10,7 milyon dollar vençur maliyyəsi topladı və müasir elektron çiplərdən 100 dəfə daha sürətli olan maşın öyrənməsi üçün prototip optik çip, eyni zamanda enerji istehlakını böyüklük dərəcəsi ilə azaldır ki, bu da fotonik texnologiyaların vədlərini bir daha açıq şəkildə nümayiş etdirir.
Mənbə: 3dnews.ru