Mae'n bosibl bod cylchedau integredig ffotonig, neu sglodion optegol, yn cynnig llawer o fanteision dros eu cymheiriaid electronig, megis defnyddio llai o bŵer a llai o hwyrni mewn cyfrifiant. Dyna pam mae llawer o ymchwilwyr yn credu y gallant fod yn hynod effeithiol mewn dysgu peiriannau a thasgau deallusrwydd artiffisial (AI). Mae Intel hefyd yn gweld rhagolygon gwych ar gyfer defnyddio ffotoneg silicon i'r cyfeiriad hwn. Mae ei thîm ymchwil yn technegau newydd manwl a allai ddod â rhwydweithiau niwral optegol gam yn nes at realiti.
Mewn diweddar , sy'n ymroddedig i ddysgu peiriannau, yn disgrifio sut y dechreuodd ymchwil ym maes rhwydweithiau niwral optegol. Mae ymchwil gan David AB Miller a Michael Reck wedi dangos y gellir ffurfweddu math o gylched ffotonig a elwir yn interferometer Mach-Zehnder (MZI) i berfformio lluosi matrics 2 × 2 wrth osod MZI ar rwyll trionglog ar gyfer lluosi matricsau mawr, gall un. cael cylched sy'n gweithredu'r algorithm lluosi matrics-fector, cyfrifiad sylfaenol a ddefnyddir mewn dysgu peiriant.
Canolbwyntiodd ymchwil newydd Intel ar yr hyn sy'n digwydd pan fydd diffygion amrywiol y mae sglodion optegol yn agored iddynt yn ystod gweithgynhyrchu (gan fod ffotoneg gyfrifiadol yn analog eu natur) yn achosi gwahaniaethau mewn cywirdeb cyfrifiannol rhwng gwahanol sglodion o'r un math. Er bod astudiaethau tebyg wedi'u cynnal, yn y gorffennol roeddent yn canolbwyntio mwy ar optimeiddio ôl-wneuthuriad i ddileu anghywirdebau posibl. Ond mae gan y dull hwn scalability gwael wrth i rwydweithiau ddod yn fwy, gan arwain at gynnydd yn y pŵer cyfrifiadurol sydd ei angen i sefydlu rhwydweithiau optegol. Yn lle optimeiddio ôl-wneuthuriad, ystyriodd Intel sglodion hyfforddi un-amser cyn gweithgynhyrchu trwy ddefnyddio pensaernïaeth sy'n goddef sŵn. Hyfforddwyd y rhwydwaith niwral optegol cyfeirio unwaith, ac ar ôl hynny dosbarthwyd y paramedrau hyfforddi ar draws sawl enghraifft rhwydwaith ffug gyda gwahaniaethau yn eu cydrannau.
Bu tîm Intel yn ystyried dwy bensaernïaeth ar gyfer adeiladu systemau deallusrwydd artiffisial yn seiliedig ar MZI: GridNet a FFTNet. Mae GridNet yn rhagweladwy yn gosod MZIs mewn grid, tra bod FFTNet yn eu gosod mewn glöynnod byw. Ar ôl hyfforddi mewn efelychiad ar y dasg meincnod dysgu dwfn adnabod digid â llaw (MNIST), canfu’r ymchwilwyr fod GridNet wedi cyflawni cywirdeb uwch na FFTNet (98% o’i gymharu â 95%), ond roedd pensaernïaeth FFTNet “yn sylweddol fwy cadarn.” Mewn gwirionedd, gostyngodd perfformiad GridNet o dan 50% gydag ychwanegu sŵn artiffisial (ymyrraeth sy'n efelychu diffygion posibl mewn gweithgynhyrchu sglodion optegol), tra ar gyfer FFTNet roedd yn aros bron yn gyson.
Dywed y gwyddonwyr fod eu hymchwil yn gosod y sylfaen ar gyfer dulliau hyfforddi deallusrwydd artiffisial a allai ddileu'r angen i fireinio sglodion optegol ar ôl eu cynhyrchu, gan arbed amser ac adnoddau gwerthfawr.
“Fel gydag unrhyw broses weithgynhyrchu, bydd rhai diffygion yn digwydd sy’n golygu y bydd gwahaniaethau bach rhwng sglodion a fydd yn effeithio ar gywirdeb y cyfrifiadau,” ysgrifennodd Casimir Wierzynski, uwch gyfarwyddwr Intel AI Product Group. “Os yw endidau niwral optegol i ddod yn rhan hyfyw o ecosystem caledwedd AI, bydd angen iddynt symud i sglodion mwy a thechnolegau gweithgynhyrchu diwydiannol. Mae ein hymchwil yn dangos y gall dewis y bensaernïaeth gywir ymlaen llaw gynyddu'n sylweddol y tebygolrwydd y bydd y sglodion canlyniadol yn cyflawni'r perfformiad dymunol, hyd yn oed ym mhresenoldeb amrywiadau gweithgynhyrchu."
Ar yr un pryd ag y mae Intel yn cynnal ymchwil yn bennaf, sefydlodd ymgeisydd PhD MIT, Yichen Shen, y cwmni cychwynnol o Boston, Lightelligence, sydd wedi codi $10,7 miliwn mewn cyllid menter a sglodyn optegol prototeip ar gyfer dysgu peiriannau sydd 100 gwaith yn gyflymach na sglodion electronig modern a hefyd yn lleihau'r defnydd o bŵer yn ôl maint, sydd unwaith eto yn dangos yn glir addewid technolegau ffotonig.
Ffynhonnell: 3dnewyddion.ru