A fotonikus integrált áramkörök vagy optikai chipek potenciálisan számos előnyük van az elektronikus megfelelőikkel szemben, például csökkentett energiafogyasztás és alacsonyabb késleltetés a számítások során. Ezért sok kutató úgy véli, hogy rendkívül hatékonyak lehetnek a gépi tanulás és a mesterséges intelligencia (AI) feladataiban. Az Intel cég is nagy lehetőségeket lát a szilícium-fotonikában ezen a téren. Kutatócsoportjuk a részletesen bemutatta az új módszereket, amelyek közelebb vihetik az optikai neurális hálózatokat a valósághoz.
A közelmúltban , amely a gépi tanulásról szól, arról tájékoztat, hogyan indultak el a kutatások az optikai neurális hálózatok terén. David A. B. Miller és Michael Reck tudományos munkái megmutatták, hogy a fotonikus áramkör egy típusa, amelyet Mach-Zehnder interferométernek (MZI) neveznek, konfigurálható 2 × 2 méretű mátrixok szorzásának elvégzésére; ha az MZI-t egy háromszög-rácsba helyezzük a nagyobb mátrixok szorzásához, olyan áramkört kaphatunk, amely megvalósítja a mátrix vektorra való szorzásának algoritmusát — ez az alapvető számítás, amelyet a gépi tanulásban használnak.
Az Intel új kutatása arra összpontosít, hogy mi történik, amikor különböző hibák lépnek fel az optikai chipek gyártása során (mivel a számítástechnikai fotonika természeténél fogva analóg), amelyek eltéréseket okoznak a különböző típusú chipek számítási pontosságában. Bár hasonló kutatásokat már végeztek, ezek a múltban inkább a gyártás utáni optimalizálásra összpontosítottak a lehetséges pontatlanságok megszüntetése érdekében. Ennek a megközelítésnek azonban gyenge a skálázhatósága, mivel a hálózatok egyre nagyobbá válnak, ami a szükséges számítási kapacitás növekedéséhez vezet az optikai hálózatok finomhangolásához. Az Intel a gyártás utáni optimalizálás helyett a chipek egyszeri betanításának lehetőségét mérlegelte, a zavarokkal szemben ellenálló architektúra alkalmazásával. Egy referencia optikai neurális hálózatot egyszer tanítottak be, majd a tanulmányi paramétereket több legyártott hálózati példányra osztották el, különböző komponensekkel.
Az Intel csapata két architektúrát vizsgált az MZI alapú mesterséges intelligencia rendszerek felépítéséhez: GridNet és FFTNet. A GridNet előrelátható módon helyezi el az MZI-t egy hálózatban, míg az FFTNet „pillangó” formában helyezi el őket. Miután mindkettőt betanították a referencia mélytanulási feladaton, amely a kézzel írt számok (MNIST) azonosítása, a kutatók megállapították, hogy a GridNet magasabb pontosságot ért el, mint az FFTNet (98 % a 95 %-hoz képest), de az FFTNet architektúrája „jelentősen megbízhatóbb” volt. Valójában a GridNet teljesítménye 50 % alá csökkent, amikor mesterséges zajt (olyan zavarokat, amelyek a gyártás során esetlegesen fellépő hibákat imitálnak) adtak hozzá, míg az FFTNet esetében a teljesítmény szinte változatlan maradt.
A tudósok azt állítják, hogy kutatásaik alapot adnak a mesterséges intelligencia tanulási módszereihez, amelyek segítenek megszüntetni az optikai chipek gyártás utáni finomhangolásának szükségességét, ezzel értékes időt és erőforrásokat megtakarítva.
„Mint minden gyártási folyamatban, itt is megjelennek bizonyos hibák, amelyek azt jelentik, hogy a mikroschémák között apró eltérések lesznek, és ezek befolyásolni fogják a számítások pontosságát” – írja Kazimir Wierzynski, az Intel AI termékcsoportjának vezető igazgatója. „Ha az optikai neuronális alapok életképes részévé válnak a mesterséges intelligencia hardverökoszisztémájának, akkor szükségük lesz nagyobb mikroschémákra és ipari gyártási technológiákra. Kutatásaink azt mutatják, hogy a megfelelő architektúra korai kiválasztása jelentősen növelheti annak valószínűségét, hogy a megkapott mikroschémák elérjék a kívánt teljesítményt, még gyártási variációk esetén is.”
Eközben, míg az Intel főként kutatásokat folytat, a Massachusetts Institute of Technology fizikatudományi doktori hallgatója, Yichen Shen létrehozta a bostoni székhelyű Lightelligence startupot, amely 10,7 millió dolláros kockázati tőkét vonzott, és a mesterséges intelligenciára szánt optikai chip prototípusát, amely 100-szor gyorsabb a jelenlegi elektronikus chipeknél és nagyságrenddel csökkenti az energiafogyasztást, ami újra világosan bemutatja a fotonikus technológiák lehetőségeit.
Forrás: 3dnews.ru
