Fotonski integrirani krugovi ili optički čipovi potencijalno nude mnoge prednosti u odnosu na njihove elektroničke analoge, kao što su smanjena potrošnja energije i smanjena latencija u računanju. Zato mnogi istraživači vjeruju da mogu biti iznimno učinkoviti u zadacima strojnog učenja i umjetne inteligencije (AI). Intel također vidi velike izglede za korištenje silicijske fotonike u tom smjeru. Njezin istraživački tim u detaljno opisao nove tehnike koje bi optičke neuronske mreže mogle dovesti korak bliže stvarnosti.
U nedavnom , posvećen strojnom učenju, opisuje kako su započela istraživanja u području optičkih neuronskih mreža. Istraživanje Davida AB Millera i Michaela Recka pokazalo je da se tip fotonskog kruga poznat kao Mach-Zehnderov interferometar (MZI) može konfigurirati za izvođenje množenja matrice 2 × 2 kada se MZI postavi na trokutastu mrežu za množenje velikih matrica, može se dobiti sklop koji implementira algoritam množenja matrice i vektora, osnovni izračun koji se koristi u strojnom učenju.
Novo Intelovo istraživanje usredotočilo se na to što se događa kada različiti nedostaci na koje su optički čipovi osjetljivi tijekom proizvodnje (budući da je računalna fotonika po prirodi analogna) uzrokuju razlike u računskoj točnosti između različitih čipova iste vrste. Iako su slična istraživanja provedena, u prošlosti su se više usredotočila na optimizaciju nakon proizvodnje kako bi se uklonile moguće netočnosti. Ali ovaj pristup ima slabu skalabilnost kako mreže postaju veće, što rezultira povećanjem računalne snage potrebne za postavljanje optičkih mreža. Umjesto postfabricacijske optimizacije, Intel je razmatrao jednokratnu obuku čipova prije proizvodnje korištenjem arhitekture otporne na buku. Referentna optička neuronska mreža trenirana je jednom, nakon čega su parametri obuke raspodijeljeni na nekoliko izrađenih instanci mreže s razlikama u njihovim komponentama.
Intelov tim razmatrao je dvije arhitekture za izgradnju sustava umjetne inteligencije temeljene na MZI: GridNet i FFTNet. GridNet predvidljivo smješta MZI u rešetku, dok ih FFTNet smješta u leptire. Nakon obuke u simulaciji zadatka benchmark dubinskog učenja prepoznavanja rukopisnih znamenki (MNIST), istraživači su otkrili da je GridNet postigao veću točnost od FFTNeta (98% naspram 95%), ali je FFTNet arhitektura bila "znatno robusnija". U stvari, izvedba GridNeta pala je ispod 50% s dodatkom umjetne buke (smetnje koje simuliraju moguće nedostatke u proizvodnji optičkih čipova), dok je za FFTNet ostala gotovo konstantna.
Znanstvenici kažu da njihovo istraživanje postavlja temelje za metode obuke umjetne inteligencije koje bi mogle eliminirati potrebu za finim podešavanjem optičkih čipova nakon njihove proizvodnje, štedeći dragocjeno vrijeme i resurse.
“Kao i kod bilo kojeg proizvodnog procesa, pojavit će se određeni nedostaci što znači da će postojati male razlike između čipova koje će utjecati na točnost izračuna”, piše Casimir Wierzynski, viši direktor Intel AI Product Group. “Ako optički neuronski entiteti žele postati održivi dio hardverskog ekosustava umjetne inteligencije, morat će prijeći na veće čipove i industrijske proizvodne tehnologije. Naše istraživanje pokazuje da odabir prave arhitekture unaprijed može značajno povećati vjerojatnost da će dobiveni čipovi postići željenu izvedbu, čak i uz prisutnost proizvodnih varijacija.”
U isto vrijeme kada Intel primarno provodi istraživanje, doktorant na MIT-u Yichen Shen osnovao je startup Lightelligence sa sjedištem u Bostonu, koji je prikupio 10,7 milijuna dolara u venture financiranju i prototip optičkog čipa za strojno učenje koji je 100 puta brži od modernih elektroničkih čipova i također smanjuje potrošnju energije za red veličine, što još jednom jasno pokazuje obećanje fotonskih tehnologija.
Izvor: 3dnews.ru