I circuiti integrati fotonici o chip ottici offrono potenzialmente numerosi vantaggi rispetto ai loro analoghi elettronici, come il ridotto consumo energetico e la diminuzione della latenza nei calcoli. Per questo motivo, molti ricercatori ritengono che possano rivelarsi estremamente efficaci nelle applicazioni di machine learning e nella creazione di intelligenza artificiale (IA). Anche Intel vede grandi prospettive per l'applicazione della fotonica siliziosa in questo ambito. Il gruppo di ricercatori di ha descritto in dettaglio nuovi metodi che potrebbero avvicinare le reti neurali ottiche a una concreta realizzazione.
In una recente , dedicato all'apprendimento automatico, descrive come sono iniziati gli studi nel campo delle reti neurali ottiche. I lavori scientifici di David A. B. Miller e Michael Reck hanno dimostrato che un tipo di circuito fotonico, noto come interferometro di Mach-Zehnder (MZI), può essere configurato per eseguire la moltiplicazione di matrici 2 × 2; posizionando il MZI in una rete triangolare per la moltiplicazione di matrici più grandi, si può ottenere uno schema che realizza l'algoritmo di moltiplicazione della matrice per un vettore — il calcolo fondamentale utilizzato nell'apprendimento automatico.
La nuova ricerca di Intel si è concentrata sull'analisi di cosa accade in presenza di vari difetti a cui sono soggetti i chip ottici durante la produzione (poiché la fotonica computazionale è analoga per sua natura), causando differenze nella precisione dei calcoli tra diversi chip dello stesso tipo. Sebbene studi simili siano stati già effettuati, in passato si sono concentrati maggiormente sull'ottimizzazione post-produzione per eliminare eventuali imprecisioni. Tuttavia, questo approccio ha una scarsa scalabilità, poiché le reti continuano a crescere, aumentando la potenza computazionale necessaria per sintonizzare le reti ottiche. Invece di ottimizzare dopo la produzione, Intel ha considerato la possibilità di addestrare i chip prima della fabbricazione, sfruttando architetture resistenti alle interferenze. Una rete neurale ottica di riferimento è stata addestrata una sola volta, dopodiché i parametri di addestramento sono stati distribuiti su diversi esemplari realizzati, con differenze nei loro componenti.
Il team di Intel ha esaminato due architetture per costruire sistemi di intelligenza artificiale basati su MZI: GridNet e FFTNet. GridNet colloca prevedibilmente il MZI in una griglia, mentre FFTNet li posiziona a forma di 'farfalle'. Dopo aver addestrato entrambi nella simulazione su un compito di riferimento di deep learning, il riconoscimento di cifre scritte a mano (MNIST), i ricercatori hanno scoperto che GridNet ha raggiunto una precisione superiore rispetto a FFTNet (98% contro 95%), ma l'architettura FFTNet si è rivelata 'significativamente più affidabile'. Infatti, le prestazioni di GridNet sono scese sotto il 50% con l'aggiunta di rumore artificiale (interferenze che simulano possibili difetti nella produzione di chip ottici), mentre per FFTNet sono rimaste pressoché costanti.
Gli scienziati affermano che le loro ricerche pongono le basi per metodi di addestramento dell'intelligenza artificiale che potrebbero eliminare la necessità di una sintonizzazione fine dei chip ottici dopo la loro produzione, risparmiando tempo e risorse preziose.
"Come in qualsiasi processo produttivo, ci sono alcuni difetti che significano che ci saranno piccole variazioni tra i chip, e queste influenzeranno la precisione dei calcoli", afferma Kazimir Wierzynski, Senior Director del gruppo prodotti Intel AI. "Se le reti neurali ottiche diventeranno una parte vitale dell'ecosistema hardware per l'intelligenza artificiale, dovranno passare a chip più grandi e tecnologie di produzione industriale. Le nostre ricerche dimostrano che la scelta dell'architettura giusta in anticipo può aumentare significativamente la probabilità che i chip ottenuti raggiungano le prestazioni desiderate anche in presenza di variazioni di produzione."
Nel frattempo, mentre Intel si dedica principalmente alla ricerca, il dottore di ricerca Yichen Shen del Massachusetts Institute of Technology ha fondato una startup chiamata Lightelligence con sede a Boston, che ha attirato finanziamenti di venture capital per un importo di 10,7 milioni di dollari e un prototipo di chip ottico per l'apprendimento automatico, che è 100 volte più veloce rispetto ai chip elettronici moderni e riduce di un ordine di grandezza il consumo energetico, dimostrando ancora una volta le potenzialità delle tecnologie fotoniche.
Fonte: 3dnews.ru
