Photonische Integrationsschaltungen oder optische Chips bieten potenziell viele Vorteile gegenüber ihren elektronischen Pendants, wie zum Beispiel einen geringeren Energieverbrauch und reduzierte Verzögerungen in Berechnungen. Deshalb sind viele Forscher der Meinung, dass sie extrem effektiv bei Aufgaben des maschinellen Lernens und der Entwicklung künstlicher Intelligenz (KI) sein könnten. Auch Intel sieht große Perspektiven für den Einsatz von Silizium-Photonik in diesem Bereich. Ihre Forschergruppe hat neue Methoden ausführlich beschrieben, die optische neuronale Netze einen Schritt näher an die Realität bringen können.
In einem kürzlichen , der sich mit maschinellem Lernen beschäftigt, wird erläutert, wie die Forschungen im Bereich optischer neuronaler Netze begonnen haben. Wissenschaftliche Arbeiten von David Miller (David A. B. Miller) und Michael Reck haben gezeigt, dass eine bestimmte Art von photonischer Schaltung, die als Mach-Zehnder-Interferometer (MZI) bekannt ist, so konfiguriert werden kann, dass sie Matrizenmultiplikationen der Größe 2 × 2 ausführt. Wenn man MZIs in einem dreieckigen Gitter für die Multiplikation großer Matrizen anordnet, kann man eine Schaltung erhalten, die den Algorithmus zur Matrix-Vektor-Multiplikation 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 auftreten, die während der Herstellung optischer Chips entstehen (da die rechnergestützte Photonik ihrer Natur nach analog ist), was zu Unterschieden in der Berechnungsgenauigkeit zwischen verschiedenen Chips desselben Typs führt. Obwohl ähnliche Studien bereits durchgeführt wurden, lag der Schwerpunkt in der Vergangenheit mehr auf der Optimierung nach der Herstellung zur Behebung von möglichen Ungenauigkeiten. Dieser Ansatz hat jedoch eine schlechte Skalierbarkeit, da Netzwerke immer größer werden, was zu einem Anstieg der benötigten Rechenleistung für die Anpassung optischer Netzwerke führt. Anstatt die Nachbearbeitung zu optimieren, erwog Intel die Möglichkeit eines einmaligen Trainings der Chips vor der Herstellung durch die Nutzung einer störungsresistenten Architektur. Ein Referenz-Modell einer optischen neuronalen Netzwerkanlage wurde einmal trainiert, und die Lernparameter wurden dann auf mehrere gefertigte Instanzen des Netzwerks verteilt, mit Unterschieden in ihren Komponenten.
Das Team von Intel betrachtete zwei Architekturen zur Erstellung von KI-Systemen auf Basis von MZI: GridNet und FFTNet. GridNet platziert MZI vorhersehbar in einem Raster, während FFTNet sie in Form von „Schmetterlingen“ anordnet. Nach dem Training beider Architekturen in der Modellierung mit einer Referenzaufgabe des tiefen Lernens zur Erkennung handschriftlicher Ziffern (MNIST) stellten die Forscher fest, dass GridNet eine höhere Genauigkeit erreichte als FFTNet (98 % gegenüber 95 %), jedoch war die Architektur von FFTNet „deutlich zuverlässiger“. Tatsächlich sank die Leistung von GridNet mit der Hinzufügung von künstlichem Rauschen (Störungen, die mögliche Fertigungsdefekte optischer Chips simulieren), während sie für FFTNet fast konstant blieb.
Wissenschaftler behaupten, dass ihre Forschungen die Grundlage für Methoden des maschinellen Lernens im Bereich der künstlichen Intelligenz legen, die helfen werden, die Notwendigkeit einer Feinabstimmung optischer Chips nach ihrer Herstellung zu beseitigen, wodurch wertvolle Zeit und Ressourcen gespart werden.
„Wie in jedem Produktionsprozess treten bestimmte Defekte auf, die bedeuten, dass zwischen den Mikrochips kleine Unterschiede bestehen werden, die die Genauigkeit der Berechnungen beeinflussen“, schreibt Casimir Wierzynski, Senior Director der Intel AI Product Group. „Wenn optische neuronale Einheiten ein tragfähiger Teil der Hardware-Ökosysteme der künstlichen Intelligenz werden sollen, müssen sie auf größere Chips und industrielle Fertigungstechnologien umsteigen. Unsere Forschungen zeigen, dass die Wahl der richtigen Architektur im Voraus die Wahrscheinlichkeit erheblich erhöhen kann, dass die erhaltenen Mikrochips die gewünschte Leistung erreichen, selbst bei vorhandenen Produktionsvariationen.“
Während Intel vor allem Forschung betreibt, hat der Physiker und Mathematiker Yichen Shen vom Massachusetts Institute of Technology ein Start-up namens Lightelligence gegründet, das in Boston ansässig ist, und 10,7 Millionen US-Dollar an Risikokapital aufgenommen hat und Prototyp eines optischen Chips für maschinelles Lernen demonstriert, der 100 Mal schneller ist als herkömmliche elektronische Chips und zudem den Energieverbrauch erheblich reduziert, was erneut die Perspektiven photonischer Technologien veranschaulicht.
Quelle: 3dnews.ru
