Fotónové integrované obvody nebo optické čipy mají potenciálně mnoho výhod oproti elektronickým protějškům, jako je snížení spotřeby energie a snížení latence ve výpočtech. To je důvod, proč mnoho vědců věří, že by mohly být extrémně efektivní v úlohách strojového učení a vytváření umělé inteligence (AI). Společnost Intel také vidí velký potenciál pro využití křemíkové fotoniky v této oblasti. Její skupina výzkumníků podrobně popsala nové metody, které mohou přiblížit optické neuronové sítě o krok blíže k realitě.
V nedávné , věnované strojovému učení, se popisuje, jak začala výzkumná činnost v oblasti optických neuronových sítí. Vědecké práce Davida Millera (David A. B. Miller) a Michaela Reka (Michael Reck) ukázaly, že typ fotonového obvodu známého jako Mach-Zehnderův interferometr (MZI) může být nakonfigurován pro provádění násobení matic o rozměrech 2 × 2. Pokud umístíte MZI do trojúhelníkové mřížky pro násobení větších matic, můžete získat schéma, které realizuje algoritmus násobení matice vektorem — základní výpočet používaný ve strojovém učení.
Nové výzkumy společnosti Intel se zaměřily na to, co se děje při výskytu různých defektů, kterým jsou optické čipy vystaveny při výrobě (protože výpočetní fotonika je svou povahou analogová), což způsobuje rozdíly v přesnosti výpočtů mezi různými čipy stejného typu. I když byla podobná výzkumná šetření již realizována, v minulosti se více soustředila na optimalizaci po výrobě za účelem odstranění možných nepřesností. Tento přístup však má špatnou škálovatelnost, protože sítě se stále zvětšují, což vede ke zvýšení výpočetního výkonu potřebného k nastavení optických sítí. Místo optimalizace po výrobě uvažovala společnost Intel o možnosti jednorázového školení čipů před výrobou díky použití architektury odolné vůči rušení. Referenční optická neuronová síť byla školena jednou, poté byly parametry školení rozděleny mezi několik vyrobených exemplářů sítě s odlišnostmi v jejich komponentách.
Tým společnosti Intel zvažoval dvě architektury pro vytváření systémů umělé inteligence založených na MZI: GridNet a FFTNet. GridNet předvídatelně umisťuje MZI do mřížky, zatímco FFTNet je umisťuje ve formě „motýlů“. Po školení obou v simulaci na referenční úloze hlubokého učení rozpoznávání ručně psaných číslic (MNIST) vědci zjistili, že GridNet dosáhla vyšší přesnosti než FFTNet (98 % oproti 95 %), ale architektura FFTNet byla „významně spolehlivější“. Výkonnost GridNet ve skutečnosti klesla pod 50 % s přidáním umělého šumu (rušení napodobujícího možné defekty při výrobě optických čipů), zatímco pro FFTNet zůstávala téměř konstantní.
Vědci tvrdí, že jejich výzkumy pokládají základy pro metody školení umělé inteligence, které pomohou zbavit se nutnosti jemného ladění optických čipů po jejich výrobě, což ušetří cenný čas a zdroje.
„Jak v každém výrobním procesu, i zde vznikají určité vady, které znamenají, že mezi čipy budou malé rozdíly, což ovlivní přesnost výpočtů,“ říká Kazimir Wierzynski, vedoucí skupiny produktů Intel AI. „Pokud se optické neuronové čipy stanou životaschopnou součástí hardwarového ekosystému umělé inteligence, bude nutné přejít na větší čipy a technologie hromadné výroby. Naše výzkumy ukazují, že správný výběr architektury předem může výrazně zvýšit pravděpodobnost, že vyrobené čipy dosáhnou požadovaného výkonu i při výrobních variacích.“
Zároveň, zatímco Intel se převážně soustředí na výzkum, kandidát fyzikálně-matematických věd z Massachusettského technologického institutu Yichen Shen založil startup Lightelligence se sídlem v Bostonu, který získal venture kapitál ve výši 10,7 milionu dolarů a prototyp optického čipu pro strojové učení, který je 100krát rychlejší než současné elektronické čipy a také dramaticky snižuje spotřebu energie, což opět jasně demonstruje perspektivy fotonických technologií.
Zdroj: 3dnews.ru
