Los circuitos integrados fotónicos o chips ópticos tienen potencialmente muchas ventajas en comparación con sus análogos electrónicos, como la reducción del consumo energético y la disminución de la latencia en los cálculos. Por esta razón, muchos investigadores creen que podrían ser extremadamente efectivos en tareas de aprendizaje automático y creación de inteligencia artificial (IA). La empresa Intel también ve grandes perspectivas para la aplicación de la fotónica silícica en este sentido. Un grupo de sus investigadores en describió detalladamente nuevos métodos que podrían acercar las redes neuronales ópticas un paso más hacia la realidad.
En una reciente , dedicada al aprendizaje automático, se relata cómo comenzaron las investigaciones en el ámbito de las redes neuronales ópticas. Los trabajos científicos de David Miller y Michael Reck demostraron que un tipo de circuito fotónico, conocido como interferómetro de Mach-Zehnder (MZI), puede ser configurado para realizar multiplicación de matrices de tamaño 2 × 2, y además, al situar el MZI en una red triangular para multiplicar matrices grandes, se puede obtener un circuito que implementa el algoritmo de multiplicación de una matriz por un vector, que es el cálculo fundamental utilizado en el aprendizaje automático.
Un nuevo estudio de Intel se centró en examinar qué sucede cuando aparecen diversos defectos a los que están expuestos los chips ópticos durante la fabricación (dado que la fotónica computacional es análoga por naturaleza), lo que provoca diferencias en la precisión de los cálculos entre diferentes chips del mismo tipo. Aunque se han realizado estudios similares, en el pasado se enfocaron más en la optimización posterior a la fabricación para corregir posibles imprecisiones. Sin embargo, este enfoque tiene una mala escalabilidad a medida que las redes crecen en tamaño, lo que conduce a un aumento en la potencia computacional necesaria para ajustar las redes ópticas. En lugar de optimizar después de la fabricación, Intel consideró la posibilidad de un entrenamiento único de los chips antes de la fabricación gracias al uso de una arquitectura resistente a las interferencias. Una red neuronal óptica de referencia fue entrenada una vez, después de lo cual los parámetros de entrenamiento fueron distribuidos entre varios ejemplos fabricados de la red con diferencias en sus componentes.
El equipo de Intel examinó dos arquitecturas para construir sistemas de inteligencia artificial basados en MZI: GridNet y FFTNet. GridNet coloca predeciblemente los MZI en una rejilla, mientras que FFTNet los organiza en forma de 'mariposas'. Tras entrenar ambos modelos en una tarea de referencia de aprendizaje profundo para el reconocimiento de dígitos manuscritos (MNIST), los investigadores descubrieron que GridNet logró una precisión más alta que FFTNet (98% contra 95%), pero la arquitectura de FFTNet resultó ser 'significativamente más confiable'. De hecho, el rendimiento de GridNet cayó por debajo del 50% con la adición de ruido artificial (interferencias que imitan posibles defectos en la producción de chips ópticos), mientras que para FFTNet se mantuvo casi constante.
Los científicos afirman que sus investigaciones establecen las bases para métodos de entrenamiento de inteligencia artificial que ayudarán a eliminar la necesidad de afinar los chips ópticos después de su fabricación, ahorrando valioso tiempo y recursos.
«Al igual que en cualquier proceso de producción, surgen ciertos defectos que significan que habrá pequeñas variaciones entre los circuitos integrados, y esto afectará la precisión de los cálculos», escribe Casimir Wierzynski, director senior del grupo de productos de Intel AI. «Si las neuronas ópticas se convierten en una parte viable del ecosistema de hardware de inteligencia artificial, necesitarán pasar a circuitos integrados más grandes y tecnologías de producción industrial. Nuestras investigaciones muestran que elegir la arquitectura correcta desde el principio puede aumentar significativamente la probabilidad de que los circuitos integrados obtenidos alcancen el rendimiento deseado, incluso ante variaciones de fabricación.»
Al mismo tiempo, mientras Intel realiza principalmente investigaciones, Yichen Shen, candidato a doctorado del Instituto Tecnológico de Massachusetts, fundó la startup Lightelligence, con sede en Boston, que ha atraído financiamiento de capital de riesgo por un total de 10,7 millones de dólares y un prototipo de chip óptico para aprendizaje automático, que es 100 veces más rápido que los chips electrónicos actuales y también reduce significativamente el consumo de energía, lo que muestra una vez más el potencial de las tecnologías fotónicas.
Fuente: 3dnews.ru
