Sirkuit terpadu fotonik, atau chip optik, berpotensi menawarkan banyak keuntungan dibandingkan sirkuit elektronik, seperti pengurangan konsumsi daya dan pengurangan latensi dalam komputasi. Itu sebabnya banyak peneliti percaya bahwa mereka bisa sangat efektif dalam tugas-tugas pembelajaran mesin dan kecerdasan buatan (AI). Intel juga melihat prospek besar penggunaan silikon fotonik ke arah ini. Tim penelitinya di merinci teknik-teknik baru yang dapat membawa jaringan saraf optik selangkah lebih dekat dengan kenyataan.
Baru-baru ini , yang didedikasikan untuk pembelajaran mesin, menjelaskan bagaimana penelitian di bidang jaringan saraf optik dimulai. Penelitian oleh David AB Miller dan Michael Reck telah menunjukkan bahwa jenis rangkaian fotonik yang dikenal sebagai interferometer Mach-Zehnder (MZI) dapat dikonfigurasi untuk melakukan perkalian matriks 2 Γ 2 ketika menempatkan MZI pada jaring segitiga untuk mengalikan matriks besar, seseorang dapat mendapatkan rangkaian yang mengimplementasikan algoritma perkalian matriks-vektor, perhitungan dasar yang digunakan dalam pembelajaran mesin.
Penelitian Intel baru berfokus pada apa yang terjadi ketika berbagai cacat yang rentan terjadi pada chip optik selama produksi (karena fotonik komputasi bersifat analog) menyebabkan perbedaan akurasi komputasi antara chip berbeda dengan jenis yang sama. Meskipun penelitian serupa telah dilakukan, sebelumnya mereka lebih fokus pada optimasi pasca-fabrikasi untuk menghilangkan kemungkinan ketidakakuratan. Namun pendekatan ini memiliki skalabilitas yang buruk karena jaringan menjadi lebih besar, sehingga mengakibatkan peningkatan daya komputasi yang diperlukan untuk menyiapkan jaringan optik. Daripada melakukan optimasi pasca-fabrikasi, Intel mempertimbangkan pelatihan chip satu kali sebelum produksi dengan menggunakan arsitektur yang tahan kebisingan. Jaringan saraf optik referensi dilatih satu kali, setelah itu parameter pelatihan didistribusikan ke beberapa instance jaringan buatan dengan perbedaan komponennya.
Tim Intel mempertimbangkan dua arsitektur untuk membangun sistem kecerdasan buatan berdasarkan MZI: GridNet dan FFTNet. GridNet diperkirakan akan menempatkan MZI dalam sebuah grid, sementara FFTNet menempatkannya dalam bentuk kupu-kupu. Setelah melatih keduanya dalam simulasi tugas benchmark pembelajaran mendalam pengenalan digit tulisan tangan (MNIST), para peneliti menemukan bahwa GridNet mencapai akurasi yang lebih tinggi daripada FFTNet (98% vs. 95%), namun arsitektur FFTNet βjauh lebih kuat.β Faktanya, kinerja GridNet turun di bawah 50% dengan penambahan kebisingan buatan (interferensi yang mensimulasikan kemungkinan cacat dalam pembuatan chip optik), sedangkan untuk FFTNet hampir konstan.
Para ilmuwan mengatakan penelitian mereka meletakkan dasar bagi metode pelatihan kecerdasan buatan yang dapat menghilangkan kebutuhan untuk menyempurnakan chip optik setelah diproduksi, sehingga menghemat waktu dan sumber daya yang berharga.
βSeperti halnya proses manufaktur apa pun, cacat tertentu akan terjadi yang berarti akan ada perbedaan kecil antar chip yang akan memengaruhi keakuratan penghitungan,β tulis Casimir Wierzynski, direktur senior Intel AI Product Group. βJika entitas saraf optik ingin menjadi bagian yang layak dari ekosistem perangkat keras AI, mereka perlu beralih ke chip yang lebih besar dan teknologi manufaktur industri. Penelitian kami menunjukkan bahwa memilih arsitektur yang tepat dapat secara signifikan meningkatkan kemungkinan bahwa chip yang dihasilkan akan mencapai kinerja yang diinginkan, bahkan dengan adanya variasi manufaktur.β
Pada saat yang sama ketika Intel melakukan penelitian, kandidat PhD dari MIT, Yichen Shen, mendirikan startup Lightelligence yang berbasis di Boston, yang telah mengumpulkan dana ventura sebesar $10,7 juta dan sebuah prototipe chip optik untuk pembelajaran mesin yang 100 kali lebih cepat daripada chip elektronik modern dan juga mengurangi konsumsi daya hingga beberapa kali lipat, yang sekali lagi dengan jelas menunjukkan potensi teknologi fotonik.
Sumber: 3dnews.ru