ইন্টেল আরও দক্ষ AI এর জন্য অপটিক্যাল চিপ নিয়ে কাজ করছে

ফোটোনিক ইন্টিগ্রেটেড সার্কিট, বা অপটিক্যাল চিপ, তাদের ইলেকট্রনিক প্রতিরূপের তুলনায় অনেক সুবিধা প্রদানের সম্ভাবনা রয়েছে, যেমন কম বিদ্যুত খরচ এবং কম্পিউটিংয়ে কম বিলম্ব। এই কারণেই অনেক গবেষক বিশ্বাস করেন যে তারা মেশিন লার্নিং এবং কৃত্রিম বুদ্ধিমত্তা (AI) তৈরির কাজে অত্যন্ত কার্যকর হতে পারে। ইন্টেল এই এলাকায় সিলিকন ফোটোনিক্স ব্যবহারের জন্য দুর্দান্ত সম্ভাবনাও দেখে। একদল গবেষক বৈজ্ঞানিক নিবন্ধ বিশদভাবে বর্ণনা করা হয়েছে নতুন পদ্ধতি যা অপটিক্যাল নিউরাল নেটওয়ার্ককে বাস্তবতার এক ধাপ কাছাকাছি নিয়ে আসতে পারে।

সাম্প্রতিক সময়ে ইন্টেল ব্লগ পোস্ট, মেশিন লার্নিং নিবেদিত, অপটিক্যাল নিউরাল নেটওয়ার্কের ক্ষেত্রে গবেষণা কিভাবে শুরু হয়েছিল তা বলে। ডেভিড এবি মিলার এবং মাইকেল রেকের বৈজ্ঞানিক কাজ প্রমাণ করেছে যে ম্যাক-জেহন্ডার ইন্টারফেরোমিটার (MZI) নামে পরিচিত এক ধরনের ফোটোনিক সার্কিটকে 2 × 2 ম্যাট্রিক্স গুণন সঞ্চালনের জন্য কনফিগার করা যেতে পারে, যার ফলে, যদি MZI একটি ত্রিভুজাকার গ্রিডে গুন করার জন্য স্থাপন করা হয়। বড় ম্যাট্রিক্সে, আপনি একটি সার্কিট পেতে পারেন যা ম্যাট্রিক্স-ভেক্টর গুণন অ্যালগরিদম প্রয়োগ করে - মেশিন লার্নিংয়ে ব্যবহৃত প্রধান গণনা।

ইন্টেলের নতুন গবেষণায় দৃষ্টি নিবদ্ধ করা হয়েছে যখন অপটিক্যাল চিপ তৈরির সময় বিভিন্ন ত্রুটির সম্মুখীন হয় (কারণ কম্পিউটেশনাল ফটোনিক্স প্রকৃতিতে এনালগ) একই ধরনের বিভিন্ন চিপগুলির মধ্যে গণনাগত নির্ভুলতার পার্থক্য সৃষ্টি করে। যদিও অনুরূপ অধ্যয়ন ইতিমধ্যেই করা হয়েছে, অতীতে তারা সম্ভাব্য ভুলত্রুটি দূর করার জন্য পোস্ট-উৎপাদন অপ্টিমাইজেশানের উপর আরও বেশি মনোযোগ দিয়েছে। কিন্তু এই পদ্ধতির দুর্বল স্কেলেবিলিটি রয়েছে কারণ নেটওয়ার্কগুলি আরও বড় এবং বৃহত্তর হয়ে উঠছে, ফলে অপটিক্যাল নেটওয়ার্ক সেট আপ করার জন্য আরও প্রক্রিয়াকরণ শক্তি প্রয়োজন। পোস্ট-উৎপাদন অপ্টিমাইজেশানের পরিবর্তে, ইন্টেল একটি শব্দ-সহনশীল আর্কিটেকচার ব্যবহারের মাধ্যমে বানোয়াট করার আগে চিপগুলির এককালীন প্রশিক্ষণের সম্ভাবনা দেখেছিল। রেফারেন্স অপটিক্যাল নিউরাল নেটওয়ার্ক একবার প্রশিক্ষিত হয়েছিল, তারপরে প্রশিক্ষণের পরামিতিগুলি তাদের উপাদানগুলির মধ্যে পার্থক্য সহ বেশ কয়েকটি বানোয়াট নেটওয়ার্ক উদাহরণে বিতরণ করা হয়েছিল।

ইন্টেল দল এমজেডআই-এর উপর ভিত্তি করে কৃত্রিম বুদ্ধিমত্তা সিস্টেম তৈরির জন্য দুটি আর্কিটেকচার বিবেচনা করেছে: গ্রিডনেট এবং এফএফটিনেট। গ্রিডনেট এমজেডআইগুলিকে একটি অনুমানযোগ্য গ্রিডে রাখে, যখন এফএফটিনেট তাদের একটি প্রজাপতি প্যাটার্নে রাখে। হাতে লেখা ডিজিট রিকগনিশন ডিপ লার্নিং রেফারেন্স টাস্ক (MNIST) সিমুলেশনে উভয়কেই প্রশিক্ষণের পর, গবেষকরা দেখতে পান যে GridNet FFTNet (98% বনাম 95%) এর চেয়ে উচ্চতর নির্ভুলতা অর্জন করেছে, কিন্তু FFTNet আর্কিটেকচার "উল্লেখযোগ্যভাবে আরও শক্তিশালী"। প্রকৃতপক্ষে, গ্রিডনেটের কর্মক্ষমতা কৃত্রিম শব্দ (অপটিক্যাল চিপগুলির উত্পাদনে সম্ভাব্য ত্রুটিগুলিকে অনুকরণ করে এমন হস্তক্ষেপ) যোগ করার সাথে 50% এর নিচে নেমে গেছে, যখন FFTNet এর জন্য এটি প্রায় স্থির ছিল।

বিজ্ঞানীরা বলছেন যে তাদের গবেষণা এআই প্রশিক্ষণ পদ্ধতির ভিত্তি তৈরি করে যা অপটিক্যাল চিপগুলি তৈরি করার পরে সূক্ষ্ম-টিউন করার প্রয়োজনীয়তা দূর করতে পারে, মূল্যবান সময় এবং সংস্থান সাশ্রয় করে।

ইন্টেল এআই প্রোডাক্ট গ্রুপের সিনিয়র ডিরেক্টর ক্যাসিমির উইরজিনস্কি লিখেছেন, "যেকোনও উত্পাদন প্রক্রিয়ার মতো, কিছু ত্রুটি ঘটবে, যার মানে চিপগুলির মধ্যে ছোট পার্থক্য থাকবে এবং এটি গণনার নির্ভুলতাকে প্রভাবিত করবে।" “যদি অপটিক্যাল নিউরাল এসেন্স এআই হার্ডওয়্যার ইকোসিস্টেমের একটি কার্যকর অংশ হয়ে ওঠে, তবে তাদের বড় চিপস এবং শিল্প উত্পাদন প্রযুক্তিতে যেতে হবে। আমাদের গবেষণা দেখায় যে সঠিক আর্কিটেকচার অগ্রিম নির্বাচন করা উল্লেখযোগ্যভাবে সম্ভাবনা বাড়িয়ে তুলতে পারে যে ফলস্বরূপ চিপগুলি পছন্দসই কর্মক্ষমতা অর্জন করবে, এমনকি উত্পাদন বৈচিত্রের উপস্থিতিতেও।"

যখন ইন্টেল প্রাথমিকভাবে গবেষণা করছে, এমআইটি পিএইচডি ইচেন শেন বোস্টন-ভিত্তিক স্টার্টআপ লাইটলিজেন্স প্রতিষ্ঠা করেছে, যা $10,7 মিলিয়ন ভেঞ্চার ক্যাপিটাল ফান্ডিং এবং সম্প্রতি প্রদর্শিত মেশিন লার্নিং-এর জন্য একটি প্রোটোটাইপ অপটিক্যাল চিপ, যা আধুনিক ইলেকট্রনিক চিপগুলির চেয়ে 100 গুণ দ্রুততর, এবং একটি মাত্রার ক্রম দ্বারা বিদ্যুত খরচ কমিয়ে দেয়, যা আবার স্পষ্টভাবে ফোটোনিক প্রযুক্তির প্রতিশ্রুতি প্রদর্শন করে।

উত্স: 3dnews.ru