Photoniske integrerede kredsløb eller optiske chips har potensialet til at tilbyde mange fordele sammenlignet med deres elektroniske modparter, såsom reduceret energiforbrug og lavere latens i beregninger. Det er derfor mange forskere mener, at de kan være ekstremt effektive i opgaver inden for maskinlæring og kunstig intelligens (AI). Intel ser også store muligheder for anvendelse af siliciumfotonik i denne retning. Gruppens forskere i har detaljeret beskrevet nye metoder, der kan bringe optiske neurale netværk et skridt tættere på virkeligheden.
I en nylig , der omhandler maskinlæring, beskrives, hvordan forskningen inden for optiske neurale netværk begyndte. Forskning af David Miller og Michael Reck har demonstreret, at en type fotonisk kreds, kendt som en Mach-Zehnder interferometer (MZI), kan konfigureres til at udføre matrixmultiplikationer af størrelsen 2 × 2, og at hvis man placerer MZI i et triangulært gitter for at multiplicere større matrixer, kan man opnå et kredsløb, der implementerer algoritmen til matrix gange vektor — en grundlæggende beregning, der anvendes inden for maskinlæring.
En ny undersøgelse fra Intel fokuserede på at undersøge, hvad der sker, når forskellige defekter opstår i optiske chips under produktionen (da beregningsfotonik er analog af natur), hvilket skaber forskelle i beregningens nøjagtighed mellem forskellige chips af samme type. Selvom lignende undersøgelser allerede er blevet udført, har de tidligere været mere fokuseret på post-fremstilling optimering for at rette eventuelle unøjagtigheder. Men denne tilgang har dårlig skalerbarhed, da netværkene bliver større i størrelse, hvilket fører til en stigning i den beregningskraft, der kræves for at justere optiske netværk. I stedet for at optimere efter fremstillingen overvejede Intel muligheden for engangs træning af chips før fremstilling ved hjælp af en støjresistent arkitektur. En standard optisk neuralt netværk blev trænet én gang, hvorefter læringsparametrene blev fordelt over flere fremstillede eksemplarer af netværket med forskelle i deres komponenter.
Intel-teamet har undersøgt to arkitekturer til opbygning af kunstig intelligens-systemer baseret på MZI: GridNet og FFTNet. GridNet placerer forudsigeligt MZI i et gitter, mens FFTNet placerer dem i form af 'sommerfugle'. Efter at have trænet begge i simulering på en standardopgave om dyb læring til genkendelse af håndskrevne cifre (MNIST) fandt forskerne, at GridNet opnåede en højere nøjagtighed end FFTNet (98 % mod 95 %), men samtidig viste FFTNet sig at være 'væsentligt mere pålidelig'. Faktisk faldt GridNets ydeevne til under 50 % med tilføjelse af kunstig støj (forstyrrelser, der simulerer mulige defekter i fremstillingen af optiske chips), mens FFTNets ydeevne forblev næsten konstant.
Forskere hævder, at deres forskning lægger grunden for metoder til træning af kunstig intelligens, der vil hjælpe med at undgå behovet for finjustering af optiske chips efter deres produktion, hvilket sparer værdifuld tid og ressourcer.
«Som som i enhver produktionsproces opstår der visse defekter, der betyder, at der vil være små forskelle mellem mikrochipsene, og de vil påvirke beregningens nøjagtighed», skriver senior direktør for Intel AI produktgruppen, Casimir Wierzynski. «Hvis optiske neurale enheder skal blive en levedygtig del af hardware-økosystemet for kunstig intelligens, skal de overgå til større mikrochips og industrielle fremstillingsteknologier. Vores forskning viser, at valget af den rigtige arkitektur på forhånd kan øge chancerne for, at de producerede mikrochips når den ønskede ydeevne, selv i tilfælde af produktionsvariationer.»
Samtidig, mens Intel primært udfører forskning, har ph.d. kandidat fra Massachusetts Institute of Technology, Yichen Shen, grundlagt startup'en Lightelligence, som er baseret i Boston og har tiltrukket venturekapital på 10,7 millioner US dollars og en prototype af en optisk chip til maskinlæring, som er 100 gange hurtigere end nuværende elektroniske chips samt signifikant reducerer energiforbruget, hvilket endnu engang tydeligt demonstrerer potentialet i fotoniske teknologier.
Kilde: 3dnews.ru
