ઇન્ટેલ વધુ કાર્યક્ષમ AI માટે ઓપ્ટિકલ ચિપ્સ પર કામ કરી રહી છે

ફોટોનિક ઈન્ટિગ્રેટેડ સર્કિટ, અથવા ઓપ્ટિકલ ચિપ્સ, તેમના ઈલેક્ટ્રોનિક સમકક્ષો પર સંભવિતપણે ઘણા ફાયદાઓ પ્રદાન કરે છે, જેમ કે પાવર વપરાશમાં ઘટાડો અને ગણતરીમાં લેટન્સીમાં ઘટાડો. એટલા માટે ઘણા સંશોધકો માને છે કે તેઓ મશીન લર્નિંગ અને આર્ટિફિશિયલ ઈન્ટેલિજન્સ (AI) કાર્યોમાં અત્યંત અસરકારક સાબિત થઈ શકે છે. ઇન્ટેલ આ દિશામાં સિલિકોન ફોટોનિક્સનો ઉપયોગ કરવા માટેની મોટી સંભાવનાઓ પણ જુએ છે. માં તેણીની સંશોધન ટીમ વૈજ્ઞાનિક લેખ વિગતવાર નવી તકનીકો કે જે ઓપ્ટિકલ ન્યુરલ નેટવર્કને વાસ્તવિકતાની નજીક લાવી શકે છે.

તાજેતરમાં ઇન્ટેલ બ્લોગ પોસ્ટ્સ, મશીન લર્નિંગને સમર્પિત, ઓપ્ટિકલ ન્યુરલ નેટવર્કના ક્ષેત્રમાં સંશોધન કેવી રીતે શરૂ થયું તેનું વર્ણન કરે છે. ડેવિડ એબી મિલર અને માઈકલ રેક દ્વારા સંશોધન કાર્ય દર્શાવે છે કે ફોટોનિક સર્કિટનો એક પ્રકાર જે મેક-ઝેહન્ડર ઇન્ટરફેરોમીટર (MZI) તરીકે ઓળખાય છે તેને 2 × 2 મેટ્રિક્સ ગુણાકાર કરવા માટે ગોઠવી શકાય છે, અને જો MZI ને ત્રિકોણાકાર જાળી પર મુકવામાં આવે તો મોટા મેટ્રિક્સના ગુણાકાર માટે , કોઈ એક સર્કિટ મેળવી શકે છે જે મેટ્રિક્સ-વેક્ટર ગુણાકાર અલ્ગોરિધમનો અમલ કરે છે, જે મશીન લર્નિંગમાં વપરાતી મૂળભૂત ગણતરી છે.

નવા ઇન્ટેલ સંશોધન પર ધ્યાન કેન્દ્રિત કરે છે કે જ્યારે વિવિધ ખામીઓ કે જે ઓપ્ટિકલ ચિપ્સ ઉત્પાદન દરમિયાન સંવેદનશીલ હોય છે ત્યારે શું થાય છે (કારણ કે કોમ્પ્યુટેશનલ ફોટોનિક્સ પ્રકૃતિમાં એનાલોગ છે) સમાન પ્રકારની વિવિધ ચિપ્સ વચ્ચે કોમ્પ્યુટેશનલ ચોકસાઈમાં તફાવત પેદા કરે છે. જો કે સમાન અભ્યાસ હાથ ધરવામાં આવ્યા છે, ભૂતકાળમાં તેઓએ શક્ય અચોક્કસતાઓને દૂર કરવા પોસ્ટ-ફેબ્રિકેશન ઑપ્ટિમાઇઝેશન પર વધુ ધ્યાન કેન્દ્રિત કર્યું હતું. પરંતુ આ અભિગમમાં નબળી માપનીયતા છે કારણ કે નેટવર્ક્સ મોટા થતા જાય છે, પરિણામે ઓપ્ટિકલ નેટવર્ક સેટ કરવા માટે જરૂરી કમ્પ્યુટિંગ પાવરમાં વધારો થાય છે. પોસ્ટ-ફેબ્રિકેશન ઑપ્ટિમાઇઝેશનને બદલે, ઇન્ટેલે ઘોંઘાટ-સહિષ્ણુ આર્કિટેક્ચરનો ઉપયોગ કરીને ઉત્પાદન કરતાં પહેલાં એક વખત તાલીમ ચિપ્સને ધ્યાનમાં લીધી. સંદર્ભ ઓપ્ટિકલ ન્યુરલ નેટવર્કને એકવાર તાલીમ આપવામાં આવી હતી, ત્યારબાદ તાલીમ પરિમાણોને તેમના ઘટકોમાં તફાવત સાથે ઘણા બનાવટી નેટવર્ક ઉદાહરણોમાં વિતરિત કરવામાં આવ્યા હતા.

ઇન્ટેલ ટીમે MZI પર આધારિત આર્ટિફિશિયલ ઇન્ટેલિજન્સ સિસ્ટમ્સ બનાવવા માટે બે આર્કિટેક્ચર પર વિચાર કર્યો: ગ્રીડનેટ અને એફએફટીનેટ. GridNet અનુમાનિત રીતે MZI ને ગ્રીડમાં મૂકે છે, જ્યારે FFTNet તેમને પતંગિયામાં મૂકે છે. હસ્તલિખિત અંક ઓળખ ડીપ લર્નિંગ બેન્ચમાર્ક ટાસ્ક (MNIST) પર સિમ્યુલેશનમાં બંનેને તાલીમ આપ્યા પછી, સંશોધકોએ શોધી કાઢ્યું કે GridNet એ FFTNet (98% વિ. 95%) કરતાં વધુ ચોકસાઈ પ્રાપ્ત કરી છે, પરંતુ FFTNet આર્કિટેક્ચર "નોંધપાત્ર રીતે વધુ મજબૂત" હતું. વાસ્તવમાં, કૃત્રિમ અવાજ (ઓપ્ટિકલ ચિપ ઉત્પાદનમાં સંભવિત ખામીઓનું અનુકરણ કરતી હસ્તક્ષેપ) ના ઉમેરા સાથે ગ્રીડનેટનું પ્રદર્શન 50% થી નીચે ગયું, જ્યારે FFTNet માટે તે લગભગ સ્થિર રહ્યું.

વૈજ્ઞાનિકો કહે છે કે તેમનું સંશોધન કૃત્રિમ બુદ્ધિ પ્રશિક્ષણ પદ્ધતિઓનો પાયો નાખે છે જે ઓપ્ટિકલ ચિપ્સના ઉત્પાદન પછી તેને ફાઇન-ટ્યુન કરવાની જરૂરિયાતને દૂર કરી શકે છે, મૂલ્યવાન સમય અને સંસાધનોની બચત કરે છે.

"કોઈપણ મેન્યુફેક્ચરિંગ પ્રક્રિયાની જેમ, અમુક ખામીઓ ઉદ્ભવશે જેનો અર્થ છે કે ચિપ્સ વચ્ચે નાના તફાવતો હશે જે ગણતરીની ચોકસાઈને અસર કરશે," Intel AI પ્રોડક્ટ ગ્રૂપના વરિષ્ઠ નિર્દેશક કાસિમિર વિર્ઝિન્સ્કી લખે છે. "જો ઓપ્ટિકલ ન્યુરલ એન્ટિટીએ એઆઈ હાર્ડવેર ઇકોસિસ્ટમનો એક સક્ષમ ભાગ બનવું હોય, તો તેમને મોટી ચિપ્સ અને ઔદ્યોગિક ઉત્પાદન તકનીકો તરફ જવાની જરૂર પડશે. અમારું સંશોધન બતાવે છે કે આગળના ભાગમાં યોગ્ય આર્કિટેક્ચર પસંદ કરવાથી ઉત્પાદનની વિવિધતાની હાજરીમાં પણ પરિણામી ચિપ્સ ઇચ્છિત કામગીરી હાંસલ કરશે તેવી સંભાવનાને નોંધપાત્ર રીતે વધારી શકે છે.”

ઇન્ટેલ પ્રાથમિક રીતે સંશોધન કરી રહ્યું છે તે જ સમયે, એમઆઇટી પીએચડી ઉમેદવાર યિચેન શેને બોસ્ટન સ્થિત સ્ટાર્ટઅપ લાઇટેલિજેન્સની સ્થાપના કરી, જેણે સાહસ ભંડોળમાં $10,7 મિલિયન એકત્ર કર્યા છે અને તાજેતરમાં દર્શાવ્યું હતું મશીન લર્નિંગ માટે એક પ્રોટોટાઇપ ઓપ્ટિકલ ચિપ જે આધુનિક ઈલેક્ટ્રોનિક ચિપ્સ કરતાં 100 ગણી ઝડપી છે અને તીવ્રતાના ક્રમમાં પાવર વપરાશ પણ ઘટાડે છે, જે ફરી એકવાર ફોટોનિક ટેક્નોલોજીના વચનને સ્પષ્ટપણે દર્શાવે છે.

સોર્સ: 3dnews.ru