Els circuits integrats fotònics, o xips òptics, tenen el potencial d'oferir molts avantatges sobre els seus homòlegs electrònics, com ara un menor consum d'energia i una latència reduïda en la informàtica. És per això que molts investigadors creuen que poden ser extremadament efectius en les tasques d'aprenentatge automàtic i de creació d'intel·ligència artificial (IA). Intel també veu grans perspectives per a l'ús de la fotònica de silici en aquesta àrea. Un grup d'investigadors a
En un recent
La nova investigació d'Intel es va centrar en què passa quan diversos defectes als quals s'exposen els xips òptics durant la fabricació (perquè la fotònica computacional és de naturalesa analògica) causen diferències en la precisió computacional entre diferents xips del mateix tipus. Tot i que ja s'han fet estudis similars, en el passat s'han centrat més en l'optimització post-fabricació per eliminar possibles imprecisions. Però aquest enfocament té una escalabilitat pobra a mesura que les xarxes es fan més i més grans, el que resulta en més potència de processament necessària per configurar xarxes òptiques. En lloc de l'optimització posterior a la fabricació, Intel va estudiar la possibilitat d'un entrenament puntual de xips abans de la fabricació mitjançant l'ús d'una arquitectura tolerant al soroll. La xarxa neuronal òptica de referència es va entrenar una vegada, després de la qual cosa es van distribuir els paràmetres d'entrenament en diverses instàncies de xarxa fabricades amb diferències en els seus components.
L'equip d'Intel va considerar dues arquitectures per construir sistemes d'intel·ligència artificial basats en MZI: GridNet i FFTNet. GridNet col·loca els MZI en una graella previsible, mentre que FFTNet els col·loca en un patró de papallona. Després d'entrenar ambdues en simulacions de tasques de referència d'aprenentatge profund (MNIST) de reconeixement de dígits escrits a mà, els investigadors van trobar que GridNet va aconseguir una precisió més alta que FFTNet (98% enfront del 95%), però l'arquitectura FFTNet era "significativament més robusta". De fet, el rendiment de GridNet va caure per sota del 50% amb l'addició de soroll artificial (interferència que imita possibles defectes en la producció de xips òptics), mentre que per a FFTNet es va mantenir gairebé constant.
Els científics diuen que la seva investigació estableix les bases per als mètodes d'entrenament d'IA que poden eliminar la necessitat d'ajustar els xips òptics després de fabricar-los, estalviant temps i recursos valuosos.
"Com amb qualsevol procés de fabricació, es produiran certs defectes, la qual cosa significa que hi haurà petites diferències entre els xips, i aquestes afectaran la precisió dels càlculs", escriu Casimir Wierzynski, director sènior del grup de productes Intel AI. "Si les essències neuronals òptiques esdevenen una part viable de l'ecosistema de maquinari d'IA, hauran de passar a xips més grans i tecnologies de fabricació industrial. La nostra investigació mostra que escollir l'arquitectura adequada per endavant pot augmentar significativament la probabilitat que els xips resultants assoleixin el rendiment desitjat, fins i tot en presència de variacions de fabricació".
Mentre que Intel investiga principalment, el doctorat del MIT Yichen Shen va fundar la startup Lightelligence de Boston, que ha recaptat 10,7 milions de dòlars en finançament de capital risc i
Font: 3dnews.ru