Τα φωτονικά ολοκληρωμένα κυκλώματα ή οπτικά τσιπ προσφέρουν δυνητικά πολλά πλεονεκτήματα έναντι των ηλεκτρονικών ομολόγων τους, όπως μειωμένη κατανάλωση ενέργειας και μειωμένη καθυστέρηση στον υπολογισμό. Γι' αυτό πολλοί ερευνητές πιστεύουν ότι μπορούν να είναι εξαιρετικά αποτελεσματικοί σε εργασίες μηχανικής μάθησης και τεχνητής νοημοσύνης (AI). Η Intel βλέπει επίσης μεγάλες προοπτικές για τη χρήση φωτονικής πυριτίου προς αυτή την κατεύθυνση. Η ερευνητική της ομάδα στο
Σε μια πρόσφατη
Η νέα έρευνα της Intel επικεντρώθηκε στο τι συμβαίνει όταν διάφορα ελαττώματα στα οποία είναι ευαίσθητα τα οπτικά τσιπ κατά την κατασκευή (καθώς η υπολογιστική φωτονική είναι αναλογικής φύσης) προκαλούν διαφορές στην υπολογιστική ακρίβεια μεταξύ διαφορετικών τσιπ του ίδιου τύπου. Αν και έχουν διεξαχθεί παρόμοιες μελέτες, στο παρελθόν επικεντρώθηκαν περισσότερο στη βελτιστοποίηση μετά την κατασκευή για την εξάλειψη πιθανών ανακρίβειων. Αλλά αυτή η προσέγγιση έχει κακή επεκτασιμότητα καθώς τα δίκτυα γίνονται μεγαλύτερα, με αποτέλεσμα την αύξηση της υπολογιστικής ισχύος που απαιτείται για τη δημιουργία οπτικών δικτύων. Αντί της βελτιστοποίησης μετά την κατασκευή, η Intel εξέτασε τα εκπαιδευτικά τσιπ μία φορά πριν από την κατασκευή, χρησιμοποιώντας μια αρχιτεκτονική ανεκτική στο θόρυβο. Το οπτικό νευρωνικό δίκτυο αναφοράς εκπαιδεύτηκε μία φορά, μετά την οποία οι παράμετροι εκπαίδευσης κατανεμήθηκαν σε πολλές κατασκευασμένες στιγμιότυπα δικτύου με διαφορές στα στοιχεία τους.
Η ομάδα της Intel εξέτασε δύο αρχιτεκτονικές για την κατασκευή συστημάτων τεχνητής νοημοσύνης που βασίζονται στο MZI: GridNet και FFTNet. Το GridNet τοποθετεί προβλέψιμα τα MZI σε ένα πλέγμα, ενώ το FFTNet τα τοποθετεί σε πεταλούδες. Μετά την εκπαίδευση τόσο σε μια προσομοίωση για τη χειρόγραφη εργασία αναφοράς αναγνώρισης ψηφίων βαθιάς μάθησης (MNIST), οι ερευνητές διαπίστωσαν ότι το GridNet πέτυχε υψηλότερη ακρίβεια από το FFTNet (98% έναντι 95%), αλλά η αρχιτεκτονική FFTNet ήταν «σημαντικά πιο στιβαρή». Μάλιστα, η απόδοση του GridNet έπεσε κάτω από το 50% με την προσθήκη τεχνητού θορύβου (παρεμβολές που προσομοιώνουν πιθανά ελαττώματα στην κατασκευή οπτικών τσιπ), ενώ για το FFTNet παρέμεινε σχεδόν σταθερή.
Οι επιστήμονες λένε ότι η έρευνά τους θέτει τα θεμέλια για μεθόδους εκπαίδευσης τεχνητής νοημοσύνης που θα μπορούσαν να εξαλείψουν την ανάγκη να τελειοποιήσουν τα οπτικά τσιπ μετά την παραγωγή τους, εξοικονομώντας πολύτιμο χρόνο και πόρους.
«Όπως με κάθε διαδικασία κατασκευής, θα προκύψουν ορισμένα ελαττώματα που σημαίνουν ότι θα υπάρχουν μικρές διαφορές μεταξύ των τσιπ που θα επηρεάσουν την ακρίβεια των υπολογισμών», γράφει ο Casimir Wierzynski, ανώτερος διευθυντής της Intel AI Product Group. «Εάν οι οπτικές νευρικές οντότητες πρόκειται να γίνουν βιώσιμο μέρος του οικοσυστήματος υλικού τεχνητής νοημοσύνης, θα πρέπει να προχωρήσουν σε μεγαλύτερα τσιπ και τεχνολογίες βιομηχανικής κατασκευής. Η έρευνά μας δείχνει ότι η επιλογή της σωστής αρχιτεκτονικής εκ των προτέρων μπορεί να αυξήσει σημαντικά την πιθανότητα τα τσιπ που θα προκύψουν να επιτύχουν την επιθυμητή απόδοση, ακόμη και με την παρουσία παραλλαγών στην κατασκευή».
Την ίδια στιγμή που η Intel διεξάγει κατά κύριο λόγο έρευνα, ο υποψήφιος διδάκτορας του MIT Yichen Shen ίδρυσε τη startup Lightelligence με έδρα τη Βοστώνη, η οποία έχει συγκεντρώσει 10,7 εκατομμύρια δολάρια σε επιχειρηματική χρηματοδότηση και
Πηγή: 3dnews.ru