Intel er að vinna að ljósflögum fyrir skilvirkari gervigreind

Ljósrænar samþættar hringrásir, eða sjónflísar, bjóða hugsanlega upp á marga kosti fram yfir rafræna hliðstæða þeirra, svo sem minni orkunotkun og minni leynd í útreikningum. Þess vegna telja margir vísindamenn að þeir geti verið afar árangursríkir í vélanámi og gervigreind (AI) verkefnum. Intel sér einnig miklar horfur á notkun kísilljóseinda í þessa átt. Rannsóknarteymi hennar í vísindagrein ítarlegar nýjar aðferðir sem gætu fært sjóntaugakerfi skrefi nær raunveruleikanum.

Í nýlegri Intel bloggfærslur, tileinkað vélanámi, lýsir því hvernig rannsóknir á sviði sjóntauganeta hófust. Rannsóknir David AB Miller og Michael Reck hafa sýnt fram á að hægt er að stilla tegund ljóseindarásar sem kallast Mach-Zehnder interferometer (MZI) til að framkvæma 2 × 2 fylki margföldun þegar MZI er sett á þríhyrningslaga möskva til að margfalda stór fylki. fáðu hringrás sem útfærir fylkis-vektor margföldunaralgrímið, grunnútreikning sem notaður er í vélanámi.

Nýjar rannsóknir Intel beindust að því hvað gerist þegar ýmsir gallar sem sjónflögur eru viðkvæmir fyrir við framleiðslu (þar sem reikniljóseindafræði er hliðstæð í eðli sínu) valda mismun á reikni nákvæmni milli mismunandi flísar af sömu gerð. Þrátt fyrir að svipaðar rannsóknir hafi verið gerðar, í fortíðinni lögðu þær áherslu á hagræðingu eftir framleiðslu til að útrýma mögulegri ónákvæmni. En þessi nálgun hefur lélega sveigjanleika eftir því sem net verða stærri, sem leiðir til aukningar á tölvuafli sem þarf til að setja upp ljósnet. Í stað þess að fínstilla eftir framleiðslu, íhugaði Intel að þjálfa flögur einu sinni fyrir framleiðslu með því að nota hávaðaþolinn arkitektúr. Viðmiðunar sjóntauganetið var þjálfað einu sinni, eftir það var þjálfunarbreytunum dreift yfir nokkur tilbúin nettilvik með mismunandi íhlutum þeirra.

Intel teymið íhugaði tvo arkitektúra til að byggja gervigreindarkerfi byggð á MZI: GridNet og FFTNet. GridNet setur fyrirsjáanlega MZI í rist, en FFTNet setur þau í fiðrildi. Eftir að hafa þjálfað bæði í uppgerð á handskrifaða tölustafaviðmiðunarviðmiðunarverkefninu (MNIST), komust rannsakendur að því að GridNet náði meiri nákvæmni en FFTNet (98% á móti 95%), en FFTNet arkitektúrinn var "talsvert öflugri." Reyndar fór frammistaða GridNet niður fyrir 50% með því að bæta við gervi hávaða (truflun sem líkir eftir hugsanlegum göllum í framleiðslu ljósflaga), en fyrir FFTNet hélst það nánast stöðugt.

Vísindamennirnir segja að rannsóknir þeirra leggi grunninn að þjálfunaraðferðum gervigreindar sem gætu útilokað þörfina á að fínstilla sjónflögur eftir að þeir eru framleiddir, sem sparar dýrmætan tíma og fjármagn.

„Eins og með öll framleiðsluferli munu ákveðnir gallar eiga sér stað sem þýðir að það verður lítill munur á milli flísa sem mun hafa áhrif á nákvæmni útreikninganna,“ skrifar Casimir Wierzynski, yfirmaður hjá Intel AI Product Group. „Ef sjóntaugaeiningar eiga að verða raunhæfur hluti af vistkerfi gervigreindarvélbúnaðar þurfa þeir að fara yfir í stærri flís og iðnaðarframleiðslutækni. Rannsóknir okkar sýna að með því að velja réttan arkitektúr fyrirfram getur það aukið verulega líkurnar á því að flísarnar sem myndast nái tilætluðum árangri, jafnvel ef framleiðsluafbrigði eru til staðar.

Á sama tíma og Intel stundar fyrst og fremst rannsóknir, stofnaði Yichen Shen, doktorsnemi MIT, sprotafyrirtækið Lightelligence í Boston, sem hefur safnað 10,7 milljónum dala í áhættufjármögnun og sýndi nýlega frumgerð sjónkubba fyrir vélanám sem er 100 sinnum hraðari en nútíma rafeindakubbar og dregur einnig úr orkunotkun um stærðargráðu, sem sýnir enn og aftur glöggt fyrirheit ljóseindatækni.

Heimild: 3dnews.ru