Ֆոտոնային ինտեգրալ սխեմաները կամ օպտիկական չիպսերը պոտենցիալ բազմաթիվ առավելություններ են տալիս իրենց էլեկտրոնային գործընկերների նկատմամբ, ինչպիսիք են էներգիայի սպառման նվազումը և հաշվարկների ժամանակի ուշացումը: Ահա թե ինչու շատ հետազոտողներ կարծում են, որ դրանք կարող են չափազանց արդյունավետ լինել մեքենայական ուսուցման և արհեստական ինտելեկտի (AI) առաջադրանքներում։ Intel-ը նույնպես մեծ հեռանկարներ է տեսնում այս ուղղությամբ սիլիցիումի ֆոտոնիկայի օգտագործման համար։ Նրա հետազոտական թիմը
Մի վերջերս
Intel-ի նոր հետազոտությունը կենտրոնացած էր այն բանի վրա, թե ինչ է տեղի ունենում, երբ արտադրության ընթացքում օպտիկական չիպերի հակված տարբեր թերությունները (քանի որ հաշվողական ֆոտոնիկան իր բնույթով անալոգային է) առաջացնում են հաշվողական ճշգրտության տարբերություններ նույն տեսակի տարբեր չիպերի միջև: Չնայած նմանատիպ ուսումնասիրություններ են իրականացվել, նախկինում նրանք ավելի շատ կենտրոնացել են հետսարքավորումից օպտիմալացման վրա՝ հնարավոր անճշտությունները վերացնելու համար: Բայց այս մոտեցումը թույլ մասշտաբայնություն ունի, քանի որ ցանցերը դառնում են ավելի մեծ, ինչը հանգեցնում է օպտիկական ցանցերի ստեղծման համար պահանջվող հաշվողական հզորության ավելացմանը: Հետարտադրական օպտիմիզացիայի փոխարեն Intel-ը հաշվի առավ ուսուցման չիպերը մեկ անգամ արտադրելուց առաջ՝ օգտագործելով աղմուկի նկատմամբ հանդուրժող ճարտարապետություն: Հղման օպտիկական նեյրոնային ցանցը վերապատրաստվել է մեկ անգամ, որից հետո վերապատրաստման պարամետրերը բաշխվել են մի քանի հորինված ցանցի ատյաններում՝ դրանց բաղադրիչների տարբերություններով:
Intel-ի թիմը դիտարկել է MZI-ի վրա հիմնված արհեստական ինտելեկտի համակարգերի կառուցման երկու ճարտարապետություն՝ GridNet և FFTNet: GridNet-ը կանխատեսելիորեն տեղադրում է MZI-ները ցանցի մեջ, մինչդեռ FFTNet-ը դրանք տեղադրում է թիթեռների մեջ: Ձեռագիր թվանշանների ճանաչման խորը ուսուցման հենանիշային առաջադրանքի (MNIST) սիմուլյացիայից հետո հետազոտողները պարզեցին, որ GridNet-ը հասել է ավելի բարձր ճշգրտության, քան FFTNet-ը (98% ընդդեմ 95%), սակայն FFTNet-ի ճարտարապետությունը «զգալիորեն ավելի ամուր է»: Փաստորեն, GridNet-ի կատարողականը իջավ 50%-ից՝ արհեստական աղմուկի ավելացմամբ (միջամտություն, որը նմանակում է հնարավոր թերությունները օպտիկական չիպերի արտադրության մեջ), մինչդեռ FFTNet-ի համար այն մնաց գրեթե անփոփոխ:
Գիտնականներն ասում են, որ իրենց հետազոտությունը հիմք է դնում արհեստական ինտելեկտի ուսուցման մեթոդներին, որոնք կարող են վերացնել դրանց արտադրությունից հետո օպտիկական չիպերի ճշգրտման անհրաժեշտությունը՝ խնայելով արժեքավոր ժամանակն ու ռեսուրսները:
«Ինչպես ցանկացած արտադրական գործընթացի դեպքում, որոշակի թերություններ կառաջանան, ինչը նշանակում է, որ չիպերի միջև կլինեն փոքր տարբերություններ, որոնք կազդեն հաշվարկների ճշգրտության վրա», - գրում է Intel AI Product Group-ի ավագ տնօրեն Կազիմիր Վիերզինսկին: «Եթե օպտիկական նեյրոնային սուբյեկտները դառնան արհեստական ինտելեկտի ապարատային էկոհամակարգի կենսունակ մաս, նրանք պետք է անցնեն ավելի մեծ չիպերի և արդյունաբերական արտադրության տեխնոլոգիաների: Մեր հետազոտությունը ցույց է տալիս, որ սկզբից ճիշտ ճարտարապետություն ընտրելը կարող է զգալիորեն մեծացնել հավանականությունը, որ ստացված չիպերը կհասնեն ցանկալի կատարողականի, նույնիսկ արտադրական տատանումների առկայության դեպքում»:
Միևնույն ժամանակ, երբ Intel-ը հիմնականում հետազոտություններ է անցկացնում, MIT-ի ասպիրանտ Յիչեն Շենը հիմնել է բոստոնյան Lightelligence ստարտափը, որը հավաքել է $10,7 մլն վենչուրային ֆինանսավորում և ֆինանսավորում:
Source: 3dnews.ru