Intel töötab optiliste kiipide kallal, et täiustada tehisintellekti tõhusust

Fotonintegratsiooniskeemid või optilised kiibid omavad tõenäoliselt mitmeid eeliseid võrreldes elektrooniliste analoogidega, nagu energiatarbimise vähenemine ja arvutuste viivituse vähendamine. Just seetõttu peavad paljud teadlased neid masinõppe ja tehisintellekti (AI) ülesannete täitmiseks äärmiselt tõhusaks. Ettevõte Intel näeb samuti suurte võimaluste avardumist räni fotonika rakendamisel selles suunas. Tema teadlaste rühm teadusartiklis kirjeldas põhjalikult uusi meetodeid, mis viivad optilisi närvivõrke ühe sammu lähemale reaalsusele.

Viimases Inteli blogi postituses, mis on pühendatud masinõppele, räägitakse, kuidas alustati optiliste närvivõrkude uurimistööd. David A. B. Milleri ja Michael Recki teadustööd on näidanud, et fotonaisekeem, mida tuntakse kui Macha-Zehnderi interferomeeter (MZI), saab konfigureerida 2 × 2 suuruste maatriksite korrutamiseks; kui asetada MZI kolmnurksetesse võrku suuremate maatriksite korrutamiseks, siis saadakse skeem, mis realiseerib maatriksi ja vektori korrutamise algoritmi — põhiarvutuse, mida kasutatakse masinõppes.

Uus Intel'i uurimus keskendub sellele, mis juhtub erinevate defektide ilmnemisel, millega optilised kiibid tootmise käigus kokku puutuvad (kuna arvutuslik fotoonika on oma olemuselt analoogne), tekitades erinevusi sama tüüpi kiipide vahel arvutuste täpsuses. Kuigi selliseid uuringuid on varem läbi viidud, on need keskendunud enamasti tootmisjärgsete optimeerimiste tegemisele võimalike ebatäpsuste kõrvaldamiseks. Kuid see lähenemine on halva skaleeritavusega, kuna võrgud kasvavad järjest suuremaks, mis toob endaga kaasa vajaduse suurema arvutusvõimsuse järele optiliste võrkude häälestamiseks. Intel ei keskendunud tootmisjärgsele optimeerimisele, vaid kaalus võimalust koolitada kiipe ühekordselt enne tootmist, kasutades tõrke suhtes tõhusat arhitektuuri. Standardne optiline närvivõrk koolitati ühekordselt, mille järel koolituse parameetrid jaotati mitme valmistatud võrgu eksemplari vahel, mille komponentides on erinevusi.

Intel'i meeskond uuris kahte arhitektuuri MZI-põhiste tehisintellekti süsteemide väljatöötamiseks: GridNet ja FFTNet. GridNet paigutab MZI-d prognoositavalt võrku, samas kui FFTNet paigutab need „liblikate“ kujul. Pärast mõlema arhitektuuri koolitamist näidisülesandel süvaõppes, mis käsitleb käekirja number tunnustamist (MNIST), avastasid teadlased, et GridNet saavutas kõrgema täpsuse kui FFTNet (98% võrreldes 95%-ga), kuid FFTNet'i arhitektuur osutus „märkimisväärselt usaldusväärsemaks“. Tegelikult langes GridNet'i jõudlus alla 50% kunstliku müra lisamisel (häired, mis simuleerivad võimalikke tootmisdefekte optiliste kiipide puhul), samas kui FFTNet'i jõudlus jäi pea muutumatuks.

Teadlased väidavad, et nende uuringud loovad aluse tehisintellekti õppe meetoditele, mis aitavad vältida vajadust optiliste kiipide täiendava häälestamise järele pärast tootmist, säästes väärtuslikku aega ja ressursse.

„Nagu igas tootmisprotsessis, esinevad teatud defektid, mis tähendavad, et mikroskeemide vahel on väiksed erinevused, ja need mõjutavad arvutuste täpsust,” kirjutab Intel AI tootegrupi vanem direktor Kazimir Wierzynski. „Kui optilised neuraalvõrgud saavad elu ja muutuvad kunstliku intelligentsuse riistvaravarade ökosüsteemi elujõuliseks osaks, peavad nad liikuma suurte mikroskeemide ja tööstuslike tootmistehnoloogiate suunas. Meie uuringud näitavad, et õige arhitektuuri eelneval valimisel võib oluliselt suurendada tõenäosust, et saadud mikroskeemid saavutavad soovitud jõudluse, isegi kui tootmisvariatsioonid esinevad.”

Samal ajal, kui Intel peamiselt uurimistööd teeb, asutas Massachusettsi Tehnoloogia Instituudi füüsikateaduste kandidaat Yichen Shen Bostonis asuva idufirma Lightelligence, mis on saanud riskikapitali investeeringu summas 10,7 miljonit dollarit ja hiljuti demonstreeris masinõppe optilise kiibi prototüübi, mis on 100 korda kiiremad kui tänapäeva elektroonilised kiibid ning vähendab samal ajal energiatarbimist, näidates seega uuesti fotonite tehnoloogiate perspektiive.

Allikas: 3dnews.ru