I circuiti integrati fotonici o chip ottici offrono potenzialmente numerosi vantaggi rispetto ai loro analoghi elettronici, come la riduzione del consumo energetico e la diminuzione della latenza nei calcoli. Ecco perché molti ricercatori ritengono che possano rivelarsi estremamente efficaci in compiti di apprendimento automatico e nello sviluppo dell'intelligenza artificiale (IA). Anche Intel vede grandi opportunità per l'applicazione della fotonica al silicio in questo campo. Il gruppo di ricercatori di ha descritto in dettaglio nuove metodologie che possono avvicinare le reti neurali ottiche a una realtà concreta.
In un recente , dedicato all'apprendimento automatico, si racconta come sono iniziati gli studi nel campo delle reti neurali ottiche. Gli studi di David Miller (David A. B. Miller) e Michael Reck (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 un MZI in una rete triangolare per moltiplicare matrici più grandi, è possibile ottenere uno schema che realizza l'algoritmo di moltiplicazione di una matrice per un vettore — un calcolo fondamentale utilizzato nell'apprendimento automatico.
Un nuovo studio di Intel si è concentrato sull'analisi di ciò che accade quando si verificano vari difetti a cui sono soggette le chip ottiche durante la produzione (poiché la fotonica computazionale è di natura analogica), causando differenze nella precisione dei calcoli tra diversi chip dello stesso tipo. Sebbene studi simili siano già stati condotti, in passato si sono concentrati principalmente sull'ottimizzazione post-produzione per eliminare eventuali imprecisioni. Tuttavia, questo approccio ha una scarsa scalabilità, poiché le reti stanno diventando sempre più grandi, il che comporta un aumento della potenza di calcolo necessaria per ottimizzare le reti ottiche. Invece di ottimizzare dopo la produzione, Intel ha considerato la possibilità di un addestramento una tantum dei chip prima della produzione, grazie all'uso di un'architettura resistente alle interferenze. Una rete neurale ottica di riferimento è stata addestrata una sola volta, dopo di che i parametri di apprendimento sono stati distribuiti su più esemplari fabbricati della rete con differenze nei loro componenti.
Il team di Intel ha considerato due architetture per costruire sistemi di intelligenza artificiale basati su MZI: GridNet e FFTNet. GridNet posiziona prevedibilmente i MZI in una rete, mentre FFTNet li dispone a forma di 'farfalla'. Dopo aver addestrato entrambe le architetture su un compito di riferimento di deep learning per il riconoscimento di cifre scritte a mano (MNIST), i ricercatori hanno scoperto che GridNet ha raggiunto una maggiore precisione rispetto a FFTNet (98% contro 95%), ma l'architettura FFTNet si è dimostrata '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 quasi costanti.
Gli scienziati affermano che le loro ricerche pongono le basi per metodi di apprendimento dell'intelligenza artificiale che aiuteranno a eliminare la necessità di ottimizzare i chip ottici dopo la loro produzione, risparmiando tempo e risorse preziose.
«Come in qualsiasi processo produttivo, possono sorgere determinati difetti, il che significa che ci saranno piccole differenze tra i circuiti integrati e queste influenzeranno l'accuratezza dei calcoli», scrive il senior director del gruppo prodotti Intel AI Casimir Wierzynski. «Se i neuroni ottici diventeranno una parte vitale dell'ecosistema hardware dell'intelligenza artificiale, sarà necessario passare a circuiti integrati e tecnologie di produzione industriale più grandi. Le nostre ricerche mostrano che la scelta della giusta architettura in anticipo può aumentare significativamente la probabilità che i circuiti integrati raggiungano le prestazioni desiderate anche in presenza di variazioni produttive».
Allo stesso tempo, mentre Intel si concentra principalmente sulla ricerca, il dottorato in fisica e matematica del MIT Yichen Shen ha fondato a Boston la startup Lightelligence, che ha attratto finanziamenti di venture capital per un totale di 10,7 milioni di dollari e un prototipo di chip ottico per l'apprendimento automatico, che è 100 volte più veloce dei chip elettronici attuali, riducendo al contempo il consumo energetico di un ordine di grandezza, dimostrando ancora una volta le potenziali applicazioni delle tecnologie fotoniche.
Fonte: 3dnews.ru
