Fotonikaj integraj cirkvitoj, aŭ optikaj fritoj, eble ofertas multajn avantaĝojn super siaj elektronikaj ekvivalentoj, kiel ekzemple reduktita elektrokonsumo kaj reduktita latenteco en komputado. Tial multaj esploristoj kredas, ke ili povas esti ekstreme efikaj en maŝinlernado kaj artefarita inteligenteco (AI) taskoj. Intel ankaŭ vidas grandajn perspektivojn por la uzo de silicia fotoniko en ĉi tiu direkto. Ŝia esplorteamo en detalaj novaj teknikoj kiuj povus alporti optikaj neŭralaj retoj paŝo pli proksime al realeco.
En lastatempa , dediĉita al maŝinlernado, priskribas kiel komenciĝis esplorado en la kampo de optikaj neŭralaj retoj. Esploro de David AB Miller kaj Michael Reck pruvis, ke speco de fotonika cirkvito konata kiel Mach-Zehnder-interferometro (MZI) povas esti agordita por elfari 2 × 2 matricmultiplicadon kiam metita MZI sur triangula maŝo por multobligi grandajn matricojn, oni povas. akiru cirkviton kiu efektivigas la matrica-vektora multiplika algoritmo, baza kalkulo uzita en maŝinlernado.
Nova Intel-esplorado temigis kio okazas kiam diversaj difektoj al kiuj optikaj blatoj estas sentemaj dum fabrikado (ĉar komputila fotoniko estas analoga en naturo) kaŭzas diferencojn en komputila precizeco inter malsamaj blatoj de la sama tipo. Kvankam similaj studoj estis faritaj, en la pasinteco ili koncentriĝis pli pri post-fabrikado-optimumigo por forigi eblajn erarojn. Sed ĉi tiu aliro havas malbonan skaleblon kiam retoj iĝas pli grandaj, rezultigante pliiĝon en la komputika potenco postulata por starigi optikajn retojn. Anstataŭ post-fabrikado-optimumigo, Intel pripensis trejnajn blatojn unufoje antaŭ fabrikado uzante bru-toleran arkitekturon. La referenca optika neŭrala reto estis trejnita unufoje, post kio la trejnadparametroj estis distribuitaj tra pluraj fabrikitaj retaj okazoj kun diferencoj en siaj komponentoj.
La Intel-teamo pripensis du arkitekturojn por konstrui artefaritinteligentajn sistemojn bazitajn sur MZI: GridNet kaj FFTNet. GridNet antaŭvideble metas MZIojn en kradon, dum FFTNet metas ilin en papiliojn. Post trejnado ambaŭ en simulado pri la manskribita ciferrekono profunda lernada benchmarktasko (MNIST), la esploristoj trovis, ke GridNet atingis pli altan precizecon ol FFTNet (98% kontraŭ 95%), sed la FFTNet-arkitekturo estis "signife pli fortika." Fakte, la rendimento de GridNet falis sub 50% kun la aldono de artefarita bruo (interfero kiu simulas eblajn difektojn en optika blato-fabrikado), dum por FFTNet ĝi restis preskaŭ konstanta.
La sciencistoj diras, ke ilia esplorado metas la fundamenton por trejnadmetodoj de artefarita inteligenteco, kiuj povus elimini la bezonon fajnagordi optikajn blatojn post kiam ili estas produktitaj, ŝparante valoran tempon kaj rimedojn.
"Kiel kun iu ajn produktada procezo, iuj difektoj okazos, kiuj signifas, ke estos malgrandaj diferencoj inter blatoj, kiuj influos la precizecon de la kalkuloj," skribas Casimir Wierzynski, altranga direktoro de Intel AI Product Group. "Se optikaj neŭralaj estaĵoj fariĝos farebla parto de la AI-aparataro-ekosistemo, ili devos moviĝi al pli grandaj blatoj kaj industriaj fabrikaj teknologioj. Nia esplorado montras, ke elekti la ĝustan arkitekturon antaŭe povas signife pliigi la verŝajnecon, ke la rezultaj blatoj atingos la deziratan agadon, eĉ en la ĉeesto de produktadaj varioj."
Samtempe, ke Intel ĉefe faras esploradon, MIT PhD-kandidato Yichen Shen fondis la Boston-bazitan noventreprenon Lightelligence, kiu akiris $ 10,7 milionojn en riskfinancado kaj prototipa optika blato por maŝina lernado, kiu estas 100 fojojn pli rapida ol modernaj elektronikaj blatoj kaj ankaŭ reduktas energikonsumon je grandordo, kio denove klare montras la promeson de fotonaj teknologioj.
fonto: 3dnews.ru