Fotoniset integroidut piirit tai optiset sirut tarjoavat mahdollisesti monia etuja elektronisiin vastineisiinsa verrattuna, kuten alhaisemman virrankulutuksen ja laskennan viiveen. Siksi monet tutkijat uskovat, että ne voivat olla erittäin tehokkaita koneoppimisen ja tekoälyn (AI) tehtävissä. Intel näkee myös suuria näkymiä piifotoniikan käytölle tähän suuntaan. Hänen tutkimusryhmänsä mukana yksityiskohtaisia uusia tekniikoita, jotka voisivat tuoda optiset hermoverkot askeleen lähemmäs todellisuutta.
Tuoreessa Koneoppimiselle omistettu julkaisu kuvaa, kuinka optisten hermoverkkojen tutkimus sai alkunsa. David AB Millerin ja Michael Reckin tutkimus on osoittanut, että Mach-Zehnder-interferometrinä (MZI) tunnettu fotonipiiri voidaan konfiguroida suorittamaan 2 × 2 matriisin kertolasku, kun MZI asetetaan kolmiomaiseen verkkoon suurten matriisien kertomista varten. saada piiri, joka toteuttaa koneoppimisessa käytettävän peruslaskelman matriisi-vektori kertolaskualgoritmin.
Uusi Intel-tutkimus keskittyi siihen, mitä tapahtuu, kun erilaiset viat, joille optiset sirut ovat herkkiä valmistuksen aikana (koska laskennallinen fotoniikka on luonteeltaan analogista), aiheuttavat eroja samantyyppisten sirujen laskennallisessa tarkkuudessa. Vaikka vastaavia tutkimuksia on tehty, ne keskittyivät aiemmin enemmän valmistuksen jälkeiseen optimointiin mahdollisten epätarkkuuksien poistamiseksi. Mutta tällä lähestymistavalla on huono skaalautuvuus verkkojen kasvaessa, mikä lisää optisten verkkojen perustamiseen tarvittavaa laskentatehoa. Valmistuksen jälkeisen optimoinnin sijaan Intel harkitsi sirujen kouluttamista kerran ennen valmistusta käyttämällä melua kestävää arkkitehtuuria. Optinen referenssihermoverkko koulutettiin kerran, minkä jälkeen harjoitusparametrit hajautettiin useisiin valmistettuihin verkkoinstanssiin, joiden komponenteissa oli eroja.
Intel-tiimi harkitsi kahta arkkitehtuuria MZI-pohjaisten tekoälyjärjestelmien rakentamiseen: GridNet ja FFTNet. GridNet sijoittaa MZI:t ennustettavasti ruudukkoon, kun taas FFTNet sijoittaa ne perhosiin. Harjoiteltuaan sekä käsin kirjoitetun numerontunnistuksen syvän oppimisen vertailutehtävän (MNIST) simulaatiossa tutkijat havaitsivat, että GridNet saavutti suuremman tarkkuuden kuin FFTNet (98 % vs. 95 %), mutta FFTNet-arkkitehtuuri oli "merkittävästi vankempi". Itse asiassa GridNetin suorituskyky putosi alle 50 prosenttiin, kun siihen lisättiin keinotekoinen kohina (häiriö, joka simuloi mahdollisia vikoja optisen sirun valmistuksessa), kun taas FFTNetissä se pysyi lähes vakiona.
Tutkijat sanovat, että heidän tutkimuksensa luo perustan tekoälyn koulutusmenetelmille, jotka voisivat poistaa tarpeen hienosäätää optisia siruja niiden valmistuksen jälkeen, mikä säästää arvokasta aikaa ja resursseja.
"Kuten missä tahansa valmistusprosessissa, tiettyjä vikoja esiintyy, mikä tarkoittaa, että sirujen välillä on pieniä eroja, jotka vaikuttavat laskelmien tarkkuuteen", kirjoittaa Intel AI -tuoteryhmän vanhempi johtaja Casimir Wierzynski. "Jos optisista hermokokonaisuuksista tulee elinkelpoinen osa tekoälylaitteistoekosysteemiä, niiden on siirryttävä suurempiin siruihin ja teollisiin valmistustekniikoihin. Tutkimuksemme osoittaa, että oikean arkkitehtuurin valitseminen etukäteen voi lisätä merkittävästi todennäköisyyttä, että tuloksena olevat sirut saavuttavat halutun suorituskyvyn, jopa valmistusvaihteluiden ollessa olemassa."
Samaan aikaan, kun Intel tekee ensisijaisesti tutkimusta, MIT:n tohtorikandidaatti Yichen Shen perusti Bostonissa toimivan startup-yrityksen Lightelligencen, joka on kerännyt 10,7 miljoonaa dollaria riskirahoitusta ja prototyyppioptinen koneoppimissiru, joka on 100 kertaa nopeampi kuin nykyaikaiset elektroniset sirut ja vähentää myös virrankulutusta suuruusluokkaa, mikä osoittaa jälleen selkeästi fotoniteknologioiden lupauksen.
Lähde: 3dnews.ru