Zirkuitu integratu fotonikoek edo txip optikoek abantaila ugari eskaintzen dituzte euren pareko elektronikoen aldean, hala nola, potentzia-kontsumoa eta konputazioaren latentzia murriztua. Horregatik, ikertzaile askok uste dute oso eraginkorrak izan daitezkeela ikaskuntza automatikoetan eta adimen artifizialaren (AI) zereginetan. Intelek ere aukera handiak ikusten ditu norabide horretan silizio fotonika erabiltzeko. Bere ikerketa taldea Neurona-sare optikoak errealitatera urrats bat gehiago ekar ditzaketen teknika berriak zehaztu ditu.
Azken batean , ikaskuntza automatikoari eskainia, sare neuronal optikoen alorreko ikerketa nola hasi zen deskribatzen du. David AB Miller eta Michael Reck-ek egindako ikerketek frogatu dute Mach-Zehnder interferometroa (MZI) izenez ezagutzen den zirkuitu fotoniko mota bat konfigura daitekeela 2 Γ 2 matrizeen biderketa egiteko MZI sare triangeluar batean jartzen denean matrize handiak biderkatzeko. lortu matrize-bektoreen biderketa algoritmoa inplementatzen duen zirkuitu bat, ikaskuntza automatikoan erabiltzen den oinarrizko kalkulua.
Intel-en ikerketa berriak txip optikoek fabrikazioan jasan ditzaketen hainbat akatsek (fotonika konputazionala izaera analogikoa denez) gertatzen direnean zentratu zen. Antzeko azterketak egin badira ere, iraganean gehiago zentratu ziren fabrikazio osteko optimizazioan, zehaztasun eza posibleak ezabatzeko. Baina ikuspegi honek eskalagarritasun eskasa du sareak handitzen diren heinean, eta ondorioz, sare optikoak ezartzeko behar den konputazio-potentzia handitzen da. Fabrikazio osteko optimizazioaren ordez, Intelek txipak behin-behinean trebatzea kontuan hartu zuen fabrikatu aurretik, zarata jasangarria den arkitektura bat erabiliz. Erreferentziako neurona-sare optikoa behin entrenatu zen, eta, ondoren, prestakuntza-parametroak fabrikatutako sare-instantzia batzuetan banatu ziren, osagaien desberdintasunak zituzten.
Intel taldeak MZIn oinarritutako adimen artifizialaren sistemak eraikitzeko bi arkitektura hartu zituen kontuan: GridNet eta FFTNet. GridNet-ek MZIak sare batean kokatzen ditu, eta FFTNetek tximeletan jartzen ditu. Biak eskuz idatzitako digit recognition deep learning benchmark task (MNIST) simulazioan trebatu ondoren, ikertzaileek GridNet-ek FFTNet-ek baino zehaztasun handiagoa lortu zuela ikusi zuten (%98 vs.%95), baina FFTNet arkitektura "nabarmen sendoagoa" zen. Izan ere, GridNet-en errendimendua % 50etik behera jaitsi zen zarata artifiziala gehituta (txip optikoen fabrikazioan izan daitezkeen akatsak simulatzen dituen interferentziak), FFTNet-ek ia konstante mantendu zuen bitartean.
Zientzialariek diote beren ikerketak adimen artifizialaren prestakuntza-metodoen oinarria ezartzen duela, ekoiztu ondoren txip optikoak doitzeko beharra ezaba dezaketela, denbora eta baliabide baliotsuak aurreztuz.
"Fabrikazio prozesu guztietan bezala, zenbait akats gertatuko dira, eta horrek esan nahi du kalkuluen zehaztasunean eragina izango duten txip artean desberdintasun txikiak egongo direla", idatzi du Casimir Wierzynski Intel AI Product Group-eko zuzendari nagusiak. "Entitate neuronal optikoak AI hardwarearen ekosistemaren zati bideragarri bihurtuko badira, txip eta fabrikazio industrial teknologiko handiagoetara joan beharko dute. Gure ikerketek erakusten dute arkitektura egokia aldez aurretik aukeratzeak nabarmen handitu dezakeela ondoriozko txipek nahi den errendimendua lortzeko probabilitatea, baita fabrikazio-aldaerak egonda ere.
Intelek batez ere ikerketak egiten ari den aldi berean, MIT doktoregaiak Yichen Shen-ek Boston-en oinarritutako Lightelligence startup-a sortu zuen, eta 10,7 milioi dolar bildu ditu arrisku-finantzaketetan. Ikaskuntza automatikorako txip optiko prototipoa, txip elektroniko modernoak baino 100 aldiz azkarragoa dena eta, gainera, energia-kontsumoa magnitude-ordena batean murrizten duena, eta horrek argi erakusten du beste behin teknologia fotonikoen promesa.
Iturria: 3dnews.ru