Photonische integrierte Schaltungen oder optische Chips bieten potenziell zahlreiche Vorteile im Vergleich zu ihren elektronischen Pendants, wie z. B. eine Reduzierung des Energieverbrauchs und eine Verringerung der Berechnungsverzögerung. Aus diesem Grund glauben viele Forscher, dass sie äußerst effektiv für Aufgaben im Bereich des maschinellen Lernens und der Entwicklung von Künstlicher Intelligenz (KI) sein können. Auch Intel sieht großes Potenzial für die Anwendung von Silizium-Photonik in diesem Bereich. Eine Gruppe von Forschern bei Intel hat detailliert neue Methoden beschrieben, die optische neuronale Netzwerke einen Schritt näher an die Realität bringen könnten.
In einem kürzlich erschienen , der sich mit maschinellem Lernen beschäftigt, erklärt, wie die Forschung im Bereich optischer neuronaler Netze begann. Die wissenschaftlichen Arbeiten von David A. B. Miller und Michael Reck zeigten, dass ein Typ von photonischer Schaltung, bekannt als Mach-Zehnder-Interferometer (MZI), so konfiguriert werden kann, dass er die Matrixmultiplikation für 2 × 2-Matrizen durchführt. Wenn das MZI in einem dreieckigen Gitter zur Multiplikation größerer Matrizen platziert wird, kann eine Schaltung realisiert werden, die den Algorithmus zur Multiplikation einer Matrix mit einem Vektor umsetzt – eine grundlegende Berechnung, die im maschinellen Lernen verwendet wird.
Eine neue Studie von Intel konzentrierte sich darauf, zu untersuchen, was passiert, wenn verschiedene Defekte bei der Herstellung optischer Chips auftreten, die aufgrund der analoger Natur der rechnergestützten Photonik Unterschiede in der Rechenpräzision zwischen verschiedenen Chips desselben Typs verursachen. Obwohl solche Untersuchungen bereits in der Vergangenheit durchgeführt wurden, lag der Schwerpunkt dabei mehr auf der nachträglichen Optimierung zur Behebung möglicher Ungenauigkeiten. Dieser Ansatz weist jedoch eine schlechte Skalierbarkeit auf, da Netzwerke immer größer werden, was zu einem Anstieg der erforderlichen Rechenleistung zur Anpassung optischer Netzwerke führt. Anstatt die Chips nach der Herstellung zu optimieren, betrachtete Intel die Möglichkeit, die Chips vor der Herstellung durch den Einsatz einer störsicheren Architektur einmalig zu schulen. Ein Referenz-Optical-Neuronales-Netzwerk wurde einmal trainiert, danach wurden die Trainingsparameter auf mehrere fabrikationsbedingte Instanzen des Netzwerks mit Unterschieden in ihren Komponenten verteilt.
Das Intel-Team hat zwei Architekturen für den Aufbau von KI-Systemen auf Basis von MZI untersucht: GridNet und FFTNet. GridNet platziert MZI vorhersehbar in einem Gitter, während FFTNet sie in Form von „Schmetterlingen“ anordnet. Nach dem Training beider Architekturen in der Modellsimulation zur Standardaufgabe des tiefen Lernens zur Erkennung von handschriftlichen Ziffern (MNIST) stellten die Forscher fest, dass GridNet eine höhere Genauigkeit erreichte als FFTNet (98 % im Vergleich zu 95 %), jedoch die Architektur von FFTNet sich als „deutlich zuverlässiger“ erwies. Tatsächlich fiel die Leistung von GridNet mit der Hinzufügung von künstlichem Rauschen (Störungen, die mögliche Herstellungsfehler optischer Chips simulieren) unter 50 %, während sie bei FFTNet fast konstant blieb.
Wissenschaftler behaupten, dass ihre Forschung die Grundlage für Methoden des maschinellen Lernens legt, die helfen werden, die Notwendigkeit der Feinabstimmung optischer Chips nach deren Herstellung zu eliminieren, und so wertvolle Zeit und Ressourcen sparen.
„Wie bei jedem Produktionsprozess treten bestimmte Defekte auf, die bedeuten, dass zwischen den Mikrochips kleine Unterschiede bestehen werden, und diese werden die Genauigkeit der Berechnungen beeinflussen“, schreibt Kazimir Wierzynski, Senior Director der Produktgruppe Intel AI. „Wenn optische neuronale Einheiten ein tragfähiger Bestandteil der Hardware-Ökosysteme der künstlichen Intelligenz werden sollen, müssen sie auf größere Chips und industrielle Fertigungstechnologien umsteigen. Unsere Untersuchungen zeigen, dass die frühzeitige Auswahl der richtigen Architektur die Wahrscheinlichkeit erheblich erhöhen kann, dass die produzierten Chips die gewünschte Leistung erreichen, selbst bei bestehenden Produktionsvariationen.
Gleichzeitig, während Intel hauptsächlich Forschungsarbeit leistet, hat der Physikdoktorand vom Massachusetts Institute of Technology, Yichen Shen, das auf Boston basierende Startup Lightelligence gegründet, das 10,7 Millionen US-Dollar an Risikokapital angezogen hat und Ein Prototyp eines optischen Chips für maschinelles Lernen, der 100-mal schneller ist als aktuelle elektronische Chips und zudem den Energieverbrauch erheblich senkt, zeigt erneut das Potenzial photonischer Technologien auf.
Quelle: 3dnews.ru
