Os circuítos integrados fotónicos, ou chips ópticos, ofrecen potencialmente moitas vantaxes sobre os seus homólogos electrónicos, como un consumo de enerxía reducido e unha latencia reducida no cálculo. É por iso que moitos investigadores cren que poden ser extremadamente eficaces nas tarefas de aprendizaxe automática e intelixencia artificial (IA). Intel tamén ve grandes perspectivas para o uso da fotónica de silicio nesta dirección. O seu equipo de investigación en detallou novas técnicas que poderían achegar as redes neuronais ópticas un paso máis á realidade.
Nunha recente , dedicada á aprendizaxe automática, describe como se iniciou a investigación no campo das redes neuronais ópticas. A investigación de David AB Miller e Michael Reck demostrou que un tipo de circuíto fotónico coñecido como interferómetro de Mach-Zehnder (MZI) pode configurarse para realizar a multiplicación de matrices 2 × 2 cando se coloca MZI nunha malla triangular para multiplicar matrices grandes. obter un circuíto que implemente o algoritmo de multiplicación matriz-vector, un cálculo básico empregado na aprendizaxe automática.
A nova investigación de Intel centrouse no que ocorre cando varios defectos aos que son susceptibles os chips ópticos durante a fabricación (xa que a fotónica computacional é de natureza analóxica) provocan diferenzas na precisión computacional entre diferentes chips do mesmo tipo. Aínda que se realizaron estudos similares, no pasado centráronse máis na optimización post-fabricación para eliminar posibles imprecisións. Pero este enfoque ten unha escalabilidade escasa a medida que as redes se fan máis grandes, o que resulta nun aumento da potencia informática necesaria para configurar redes ópticas. En lugar da optimización posterior á fabricación, Intel considerou adestrar chips unha vez antes de fabricar mediante unha arquitectura tolerante ao ruído. A rede neuronal óptica de referencia adestrouse unha vez, despois de que os parámetros de adestramento distribuíronse en varias instancias de rede fabricadas con diferenzas nos seus compoñentes.
O equipo de Intel considerou dúas arquitecturas para construír sistemas de intelixencia artificial baseados en MZI: GridNet e FFTNet. GridNet coloca previsiblemente os MZI nunha grella, mentres que FFTNet colócaos en bolboretas. Despois de adestrar ambos nunha simulación sobre a tarefa de referencia de aprendizaxe profunda de recoñecemento de díxitos escritos a man (MNIST), os investigadores descubriron que GridNet conseguiu unha maior precisión que FFTNet (98% fronte ao 95%), pero a arquitectura FFTNet era "significativamente máis robusta". De feito, o rendemento de GridNet baixou do 50% coa adición de ruído artificial (interferencia que simula posibles defectos na fabricación de chips ópticos), mentres que para FFTNet mantívose case constante.
Os científicos din que a súa investigación senta as bases para métodos de adestramento en intelixencia artificial que poderían eliminar a necesidade de afinar os chips ópticos despois de que sexan producidos, aforrando tempo e recursos valiosos.
"Como con calquera proceso de fabricación, ocorrerán certos defectos que significan que haberá pequenas diferenzas entre os chips que afectarán a precisión dos cálculos", escribe Casimir Wierzynski, director senior de Intel AI Product Group. "Se as entidades neuronais ópticas queren converterse nunha parte viable do ecosistema de hardware da IA, terán que pasar a chips máis grandes e tecnoloxías de fabricación industrial. A nosa investigación mostra que escoller a arquitectura correcta de antemán pode aumentar significativamente a probabilidade de que os chips resultantes alcancen o rendemento desexado, mesmo en presenza de variacións de fabricación.
Ao mesmo tempo que Intel realiza principalmente investigacións, o candidato de doutoramento do MIT Yichen Shen fundou a startup Lightelligence con sede en Boston, que recadou 10,7 millóns de dólares en financiamento de risco e un prototipo de chip óptico para a aprendizaxe automática que é 100 veces máis rápido que os modernos chips electrónicos e que tamén reduce o consumo de enerxía nunha orde de magnitude, o que demostra unha vez máis a promesa das tecnoloxías fotónicas.
Fonte: 3dnews.ru