Intel töötab optiliste kiipide kallal, et saavutada tõhusam AI

Fotonilised integreeritud seadmed või optilised kiibid võivad pakkuda mitmeid eeliseid võrreldes elektrooniliste analoogidega, nagu energiatarbimise vähenemine ja viivituse vähendamine arvutustes. Seetõttu usuvad paljud teadlased, et need võivad olla äärmiselt tõhusad masinõppe ja tehisintellekti (AI) ülesannete täitmisel. Ka Intel näeb suurt potentsiaali räni fotonika rakendamiseks selles valdkonnas. Tema teadlaste rühma teadusartiklis on üksikasjalikult kirjeldanud uusi meetodeid, mis võivad viia optiliste närvivõrkude valmimisele lähemale.

Hiljutises Intel'i blogipostituses, masinõppe valdkonnas käsitletakse, kuidas alustati uuringutega optiliste närvivõrkude alal. David A. B. Milleri ja Michael Recki teadustööd näitasid, et teatud tüüpi fotoni ahel, mida tuntakse Mach-Zehnder interferomeetri (MZI) nime all, saab seadistada 2 × 2 maatriksite korrutamiseks. Kui MZI paigaldada kolmnurkse võrku, et suurte maatriksite korrutamist teostada, on võimalik luua skeem, mis teostab maatriksi ja vektori korrutamise — põhikalkulatsioon, mida kasutatakse masinõppes.

Uus Intel'i uurimus keskendub sellele, mis juhtub erinevate defektide ilmumise korral, millega optilised kiibid tootmise käigus kokku puutuvad (kuna arvutifotonika on oma olemuselt analoogne), mistõttu tekivad erinevused sama tüüpi kiipide arvutuste täpsuses. Kuigi sarnaseid uuringuid on juba varem läbi viidud, on need keskendunud rohkem valmistamisejärgsele optimeerimisele võimalike ebatäpsuste kõrvaldamiseks. Kuid see lähenemine ei ole hästi skaleeritav, kuna võrgud muutuvad järjest suuremaks, mis suurendab vajaliku arvutusvõimsuse mahtu optiliste võrkude kohandamiseks. Selle asemel, et optimeerida pärast valmistamist, vaatas Intel üle võimaluse kiipide ühekordseks treenimiseks enne valmistamist, kasutades häirekindlat arhitektuuri. Murdmisena optiline närvivõrk treeniti üks kord, pärast mida jagati treeningparameetrid mitme valmistatud võrgu eksemplari vahel, mille komponentides esinevad erinevused.

Intel'i meeskond vaatas läbi kaks arhitektuuri, et luua MZI-põhiseid tehisintellekti süsteeme: GridNet ja FFTNet. GridNet paigutab MZI võrku ennustatavalt, samas kui FFTNet paigutab need «liblikate» kujul. Pärast mõlema mudeli väljaõpet sügava õppimise standardülesande simuleerimisel, mis hõlmas käsitsi kirjutatud numbrite (MNIST) tuvastamist, leidsid teadlased, et GridNet saavutas kõrgema täpsuse kui FFTNet (98% võrreldes 95%-ga), kuid samas osutus FFTNet arhitektuur „tunduvalt usaldusväärsemaks“. Tegelikult langes GridNet'i jõudlus alla 50%, kui lisati kunstlik müra (häired, mis imiteerivad võimalikke defekte optiliste kiipide tootmisel), samas kui FFTNet'i jõudlus jäi peaaegu muutumatuks.

Teadlased väidavad, et nende uuringud loobid aluse tehisintellekti õppemeetoditele, mis aitavad vältida optiliste kiipide peenhäälestamise vajadust pärast tootmist, säästes väärtuslikku aega ja ressursse.

«Nagu igas tootmisprotsessis, esinevad teatud defektid, mis tähendavad, et mikrokiipide vahel on väikseid erinevusi, mis mõjutavad arvutuste täpsust,» kirjutab Intel AI tootegrupi vanemdirektor Kazimir Wierzynski. «Kui optilised närvivõrgud saavad elujõuliseks osaks tehisintellekti riistvara ökosüsteemist, peavad need liikuma suuremate mikrokiipide ja tööstuslike tootmistehnoloogiate suunas. Meie uuringud näitavad, et õige arhitektuuri eelvalik võib oluliselt suurendada tõenäosust, et saadud mikrokiibid saavutavad soovitud jõudluse isegi tootmisvariatsioonide olemasolu korral.»

Samas, kui Intel keskendub peamiselt teaduslikule uurimistööle, asutas Massachusettsi Tehnoloogiainstituudi kandidaat füüsika ja matemaatika doktorikraadiga Yichen Shen Bostoni startup'i Lightelligence, mis on tõmmanud 10,7 miljoni USA dollari suuruse riskiinvesteeringu ja hiljuti demonstreeris optikachippide prototüüp masinõppe jaoks, mis on 100 korda kiirem kui tänapäevased elektroonilised chippid ning vähendab oluliselt energiatarbimist, mis veel kord tõendab fotoniliste tehnoloogiate perspektiive.

Allikas: 3dnews.ru