A fotonikus integrált áramkörök vagy optikai chipek potenciálisan számos előnnyel rendelkeznek elektronikus társaikkal szemben, például csökkentik az energiafogyasztást és a számítási késleltetést. Éppen ezért sok kutató úgy véli, hogy rendkívül hatékonyak lehetnek a gépi tanulási és mesterséges intelligencia (AI) feladatokban. Az Intel a szilíciumfotonika ilyen irányú alkalmazásában is nagy távlatokat lát. A kutatócsoportja bekerült részletes új technikák, amelyek egy lépéssel közelebb hozhatják az optikai neurális hálózatokat a valósághoz.
Egy nemrégiben A gépi tanulásnak szentelt cikk leírja, hogyan kezdődtek a kutatások az optikai neurális hálózatok területén. David AB Miller és Michael Reck kutatása kimutatta, hogy a Mach-Zehnder interferométer (MZI) néven ismert fotonikus áramkör beállítható úgy, hogy 2 × 2-es mátrixszorzást hajtson végre, ha az MZI-t háromszög alakú hálóra helyezi nagy mátrixok szorzására. szerezzünk egy áramkört, amely megvalósítja a mátrix-vektor szorzási algoritmust, a gépi tanulásban használt alapszámítást.
Az Intel új kutatása arra összpontosított, hogy mi történik, ha a gyártás során az optikai lapkákra hajlamos különféle hibák (mivel a számítási fotonika analóg jellegű) eltérést okoznak az azonos típusú chipek számítási pontosságában. Bár végeztek hasonló vizsgálatokat, korábban inkább a gyártás utáni optimalizálásra összpontosítottak, hogy kiküszöböljék az esetleges pontatlanságokat. Ennek a megközelítésnek azonban gyenge a méretezhetősége, mivel a hálózatok egyre nagyobbakká válnak, ami az optikai hálózatok létrehozásához szükséges számítási teljesítmény növekedését eredményezi. A gyártás utáni optimalizálás helyett az Intel a chipek egyszeri betanítását fontolgatta a gyártás előtt egy zajtűrő architektúra használatával. A referencia optikai neurális hálózatot egyszer betanították, majd a betanítási paramétereket elosztották több legyártott hálózati példány között, komponenseik eltéréseivel.
Az Intel csapata két architektúrát vizsgált az MZI-n alapuló mesterséges intelligencia rendszerek felépítéséhez: a GridNet és az FFTNet. A GridNet előre láthatóan egy rácsba helyezi az MZI-ket, míg az FFTNet a pillangókba helyezi őket. A kézírásos számfelismerés mélytanulási benchmark feladatának (MNIST) szimulációjának betanítása után a kutatók azt találták, hogy a GridNet nagyobb pontosságot ért el, mint az FFTNet (98% vs. 95%), de az FFTNet architektúra „jelentősen robusztusabb volt”. Valójában a GridNet teljesítménye 50% alá esett a mesterséges zaj (az optikai chipgyártás lehetséges hibáit szimuláló interferencia) hozzáadásával, míg az FFTNet esetében szinte állandó maradt.
A tudósok szerint kutatásaik lefektetik a mesterséges intelligencia képzési módszereinek alapjait, amelyek kiküszöbölhetik az optikai chipek előállításuk utáni finomhangolását, így értékes időt és erőforrásokat takarítanak meg.
„Mint minden gyártási folyamatnál előfordulhatnak bizonyos hibák, amelyek azt jelentik, hogy a chipek között kis különbségek lesznek, amelyek befolyásolják a számítások pontosságát” – írja Casimir Wierzynski, az Intel AI termékcsoport vezető igazgatója. „Ha az optikai neurális entitások az AI hardver ökoszisztémájának életképes részévé akarnak válni, nagyobb chipekre és ipari gyártási technológiákra kell áttérniük. Kutatásaink azt mutatják, hogy a megfelelő architektúra előzetes megválasztása jelentősen növelheti annak valószínűségét, hogy a kapott chipek elérik a kívánt teljesítményt, még gyártási eltérések esetén is.”
Ugyanakkor, amikor az Intel elsősorban kutatásokat végez, az MIT PhD-jelöltje, Yichen Shen megalapította a bostoni székhelyű Lightelligence startupot, amely 10,7 millió dolláros kockázati finanszírozást és prototípus optikai chip a gépi tanuláshoz, amely 100-szor gyorsabb, mint a modern elektronikus chipek, és egy nagyságrenddel csökkenti az energiafogyasztást is, ami ismét egyértelműen bizonyítja a fotonikus technológiák ígéretét.
Forrás: 3dnews.ru