Fotonska integrirana kola, ili optički čipovi, imaju potencijal da ponude mnoge prednosti u odnosu na svoje elektronske kolege, kao što je manja potrošnja energije i smanjeno kašnjenje u računarstvu. Zato mnogi istraživači smatraju da mogu biti izuzetno efikasni u zadacima mašinskog učenja i stvaranja veštačke inteligencije (AI). Intel takođe vidi velike izglede za upotrebu silicijumske fotonike u ovoj oblasti. Grupa istraživača u detaljno su opisali nove metode koje optičke neuronske mreže mogu približiti stvarnosti.
U nedavnom , posvećena mašinskom učenju, govori o tome kako su počela istraživanja u oblasti optičkih neuronskih mreža. Naučni rad Davida AB Millera i Michaela Recka pokazao je da se tip fotonskog kola poznatog kao Mach-Zehnderov interferometar (MZI) može konfigurirati za obavljanje 2 × 2 množenja matrice, pri čemu, ako se MZI postavi u trouglastu mrežu za množenje velike matrice, možete dobiti sklop koji implementira algoritam množenja matrice-vektora - glavni proračun koji se koristi u mašinskom učenju.
Intelovo novo istraživanje fokusiralo se na ono što se dešava kada različiti defekti kojima su optički čipovi izloženi tokom proizvodnje (jer je računarska fotonika analogne prirode) uzrokuju razlike u preciznosti izračunavanja između različitih čipova istog tipa. Iako su slične studije već provedene, u prošlosti su se više fokusirale na optimizaciju nakon proizvodnje kako bi se eliminisale moguće netočnosti. Ali ovaj pristup ima slabu skalabilnost jer mreže postaju sve veće i veće, što rezultira većom procesorskom snagom koja je potrebna za postavljanje optičkih mreža. Umjesto post-proizvodne optimizacije, Intel je pogledao mogućnost jednokratne obuke čipova prije proizvodnje kroz korištenje arhitekture otporne na buku. Referentna optička neuronska mreža je jednom obučena, nakon čega su parametri obuke raspoređeni na nekoliko fabrikovanih instanci mreže sa razlikama u njihovim komponentama.
Intelov tim je razmatrao dve arhitekture za izgradnju sistema veštačke inteligencije zasnovane na MZI: GridNet i FFTNet. GridNet postavlja MZI-ove u predvidljivu mrežu, dok ih FFTNet postavlja u obrazac leptira. Nakon obuke u simulacijama zadatka dubokog učenja dubokog učenja (MNIST) prepoznavanja cifara, istraživači su otkrili da je GridNet postigao veću preciznost od FFTNeta (98% naspram 95%), ali je arhitektura FFTNet bila "značajno robustnija". U stvari, performanse GridNeta su pale ispod 50% uz dodatak veštačke buke (smetnje koje oponašaju moguće defekte u proizvodnji optičkih čipova), dok su za FFTNet ostale gotovo konstantne.
Naučnici kažu da njihovo istraživanje postavlja temelje za metode obuke AI koje mogu eliminirati potrebu za finim podešavanjem optičkih čipova nakon što su proizvedeni, štedeći dragocjeno vrijeme i resurse.
„Kao i kod svakog proizvodnog procesa, doći će do određenih defekata, što znači da će biti malih razlika između čipova, a to će uticati na tačnost proračuna“, piše Casimir Wierzynski, viši direktor Intel AI Product Group. “Ako optičke neuronske esencije postanu održivi dio hardverskog ekosistema AI, morat će prijeći na veće čipove i industrijske proizvodne tehnologije. Naše istraživanje pokazuje da odabir prave arhitekture unaprijed može značajno povećati vjerovatnoću da će rezultujući čipovi postići željene performanse, čak i uz prisutnost proizvodnih varijacija.”
Dok se Intel prvenstveno bavi istraživanjem, dr Yichen Shen s MIT-a osnovao je startup Lightelligence sa sjedištem u Bostonu, koji je prikupio 10,7 miliona dolara u financiranju rizičnog kapitala i prototip optičkog čipa za mašinsko učenje, koji je 100 puta brži od modernih elektronskih čipova, a takođe smanjuje potrošnju energije za red veličine, što još jednom jasno pokazuje obećanje fotonskih tehnologija.
izvor: 3dnews.ru