Фатонныя інтэгральныя схемы або аптычныя чыпы патэнцыйна валодаюць мноствам пераваг у параўнанні з электроннымі аналагамі, такімі як зніжэнне энергаспажывання і памяншэнне затрымкі ў вылічэннях. Вось чаму мноства даследнікаў лічаць, што яны могуць апынуцца вельмі эфектыўныя ў задачах машыннага навучання і стварэнні штучнага інтэлекту (ІІ). Кампанія Intel таксама бачыць вялікія далягляды для ўжывання крамянёвай фатонікі ў дадзеным кірунку. Група яе даследчыкаў у падрабязна апісала новыя метады, якія могуць наблізіць аптычныя нейронавыя сеткі на крок бліжэй да рэальнасці.
У нядаўняй , прысвечанаму машыннаму навучанню, распавядаецца, як пачыналіся даследаванні ў галіне аптычных нейронавых сетак. Навуковыя працы Дэвіда Мілера (David AB Miller) і Майкла Рака (Michael Reck) прадэманстравалі, што тып фатоннага ланцуга, вядомы як інтэрферометр Маха-Цэндэра (MZI), можа быць сканфігураваны для выканання перамнажэння матрыц памерам 2 × 2, пры гэтым, калі размясціць MZI у трохкутнай сетцы для перамнажэння вялікіх матрыц, можна атрымаць схему, якая рэалізуе алгарытм множання матрыцы на вектар - асноўнае вылічэнне, якое выкарыстоўваецца ў машынным навучанні.
Новае даследаванне Intel засяродзілася на вывучэнні таго, што адбываецца пры з'яўленні розных дэфектаў, якім схільныя аптычныя чыпы пры вытворчасці (паколькі вылічальная фатоніка з'яўляецца аналагавай па сваёй прыродзе), якія выклікаюць адрозненні ў дакладнасці вылічэнняў паміж рознымі чыпамі аднаго тыпу. Хоць падобныя даследаванні ўжо праводзіліся, у мінулым яны былі сканцэнтраваны больш на аптымізацыі пасля вырабу для ўхілення магчымых недакладнасцяў. Але дадзены падыход мае дрэнную маштабаванасць, паколькі сеткі становяцца ўсё больш у памерах, што прыводзіць да павелічэння вылічальнай магутнасці, неабходнай для наладкі аптычных сетак. Замест аптымізацыі пасля выраба Intel разгледзела магчымасць аднаразовага навучання чыпаў перад вырабам дзякуючы выкарыстанню ўстойлівай да перашкод архітэктуры. Эталонная аптычная нейронавая сетка была навучана адзін раз, пасля чаго параметры навучання былі размеркаваны па некалькіх сфабрыкаваных асобніках сеткі з адрозненнямі ў іх кампанентах.
Каманда Intel разгледзела дзве архітэктуры для пабудовы сістэм штучнага інтэлекту на базе MZI: GridNet і FFTNet. GridNet прадказальна размяшчае MZI у сетцы, а FFTNet размяшчае іх у выглядзе «матылькоў». Пасля навучання абедзвюх у мадэляванні на эталоннай задачы глыбокага навучання распазнанню рукапісных лічбаў (MNIST), даследнікі выявілі, што GridNet дасягнула больш высокай дакладнасці, чым FFTNet (98% супраць 95%), але пры гэтым архітэктура FFTNet апынулася "значна больш надзейнай". Практычна прадукцыйнасць GridNet ўпала ніжэй за 50% з даданнем штучнага шуму (перашкод, якія імітуюць магчымыя дэфекты пра вытворчасць аптычных чыпаў), у той час як для FFTNet яна заставалася амаль пастаяннай.
Навукоўцы сцвярджаюць, што іх даследаванні закладваюць аснову для метадаў навучання штучнага інтэлекту, якія дапамогуць пазбавіцца ад неабходнасці тонкай налады аптычных чыпаў пасля іх вытворчасці, эканомячы каштоўны час і рэсурсы.
"Як і ў любым вытворчым працэсе, узнікаюць пэўныя дэфекты, якія азначаюць, што паміж мікрасхемамі будуць невялікія адрозненні, і яны будуць уплываць на дакладнасць вылічэнняў", – піша старэйшы дырэктар групы прадуктаў Intel AI Казімір Вяжынскі (Casimir Wierzynski). «Калі аптычныя нейронавыя сутнасці стануць жыццяздольнай часткай апаратнай экасістэмы штучнага інтэлекту, ім спатрэбіцца перайсці на буйнейшыя мікрасхемы і тэхналогіі прамысловай вытворчасці. Нашы даследаванні паказваюць, што выбар правільнай архітэктуры загадзя можа значна павялічыць верагоднасць таго, што атрыманыя мікрасхемы дасягнуты жаданай прадукцыйнасці нават пры наяўнасці вытворчых варыяцый».
У той жа час, пакуль Intel у асноўным праводзіць даследаванні, кандыдат фізіка-матэматычных навук з Масачусецкага тэхналагічнага інстытута Ишен Шен (Yichen Shen) заснаваў стартап Lightelligence, які базуецца ў Бостане, які прыцягнуў венчурнае фінансаванне на суму 10,7 даляраў ЗША і прататып аптычнага чыпа для машыннага навучання, які ў 100 разоў хутчэй, чым сучасныя электронныя чыпы, а таксама на парадак зніжае энергаспажыванне, што яшчэ раз наглядна дэманструе перспектывы фатонных тэхналогій.
Крыніца: 3dnews.ru