Los circuitos integrados fotónicos, o chips ópticos, ofrecen potencialmente muchas ventajas sobre sus homólogos electrónicos, como un menor consumo de energía y una menor latencia en la computación. Es por eso que muchos investigadores creen que pueden ser extremadamente efectivos en tareas de aprendizaje automático e inteligencia artificial (IA). Intel también ve grandes perspectivas en el uso de la fotónica de silicio en esta dirección. Su equipo de investigación en detallaron nuevas técnicas que podrían acercar las redes neuronales ópticas un paso más a la realidad.
En el reciente , dedicado al aprendizaje automático, describe cómo comenzaron las investigaciones en el campo de las redes neuronales ópticas. La investigación realizada por David A. B. Miller y Michael Reck ha demostrado que un tipo de circuito fotónico conocido como interferómetro Mach-Zehnder (MZI) se puede configurar para realizar una multiplicación de matrices 2 × 2, donde, si se coloca MZI en una malla triangular para multiplicar matrices grandes , se puede obtener un circuito que implementa el algoritmo de multiplicación matriz-vector, un cálculo básico utilizado en el aprendizaje automático.
Una nueva investigación de Intel se centró en lo que sucede cuando varios defectos a los que son susceptibles los chips ópticos durante la fabricación (dado que la fotónica computacional es de naturaleza analógica) causan diferencias en la precisión computacional entre diferentes chips del mismo tipo. Aunque se han realizado estudios similares, en el pasado se centraban más en la optimización posfabricación para eliminar posibles imprecisiones. Pero este enfoque tiene poca escalabilidad a medida que las redes se hacen más grandes, lo que resulta en un aumento de la potencia informática necesaria para configurar redes ópticas. En lugar de una optimización posterior a la fabricación, Intel consideró entrenar los chips una sola vez antes de fabricarlos utilizando una arquitectura tolerante al ruido. La red neuronal óptica de referencia se entrenó una vez, después de lo cual los parámetros de entrenamiento se distribuyeron en varias instancias de red fabricadas con diferencias en sus componentes.
El equipo de Intel consideró dos arquitecturas para construir sistemas de inteligencia artificial basados en MZI: GridNet y FFTNet. Como era de esperar, GridNet coloca los MZI en una cuadrícula, mientras que FFTNet los coloca en patrones de mariposa. Después de entrenar a ambos en una simulación en la tarea de referencia de aprendizaje profundo de reconocimiento de dígitos escritos a mano (MNIST), los investigadores descubrieron que GridNet logró una mayor precisión que FFTNet (98 % frente a 95 %), pero la arquitectura FFTNet era “significativamente más robusta”. De hecho, el rendimiento de GridNet cayó por debajo del 50% con la adición de ruido artificial (interferencia que simula posibles defectos en la fabricación de chips ópticos), mientras que para FFTNet se mantuvo casi constante.
Los científicos dicen que su investigación sienta las bases para métodos de entrenamiento de inteligencia artificial que podrían eliminar la necesidad de ajustar los chips ópticos después de su producción, ahorrando tiempo y recursos valiosos.
"Como ocurre con cualquier proceso de fabricación, se producirán ciertos defectos que significarán que habrá pequeñas diferencias entre los chips que afectarán la precisión de los cálculos", escribe Casimir Wierzynski, director senior del Grupo de Productos Intel AI. “Si las entidades neuronales ópticas quieren convertirse en una parte viable del ecosistema de hardware de IA, deberán pasar a chips más grandes y tecnologías de fabricación industrial. Nuestra investigación muestra que elegir la arquitectura adecuada desde el principio puede aumentar significativamente la probabilidad de que los chips resultantes alcancen el rendimiento deseado, incluso en presencia de variaciones de fabricación”.
Al mismo tiempo que Intel realiza principalmente investigaciones, el candidato a doctorado del MIT, Yichen Shen, fundó la startup Lightelligence, con sede en Boston, que ha recaudado 10,7 millones de dólares en financiación de riesgo y un prototipo de chip óptico para aprendizaje automático que es 100 veces más rápido que los chips electrónicos modernos y también reduce el consumo de energía en un orden de magnitud, lo que demuestra una vez más claramente la promesa de las tecnologías fotónicas.
Fuente: 3dnews.ru