I circuiti integrati fotonici, o chip ottici, offrono potenzialmente molti vantaggi rispetto alle loro controparti elettroniche, come un ridotto consumo energetico e una ridotta latenza nel calcolo. Ecco perché molti ricercatori ritengono che possano essere estremamente efficaci nei compiti di machine learning e intelligenza artificiale (AI). Intel vede grandi prospettive anche nell'uso della fotonica del silicio in questa direzione. Il suo gruppo di ricerca in nuove tecniche dettagliate che potrebbero avvicinare le reti neurali ottiche alla realtà.
Nel recente , dedicato al machine learning, descrive come sono iniziate le ricerche nel campo delle reti neurali ottiche. La ricerca di David AB Miller e Michael Reck ha 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 quando posizionato MZI su una maglia triangolare per moltiplicare matrici di grandi dimensioni, si può ottenere un circuito che implementa l'algoritmo di moltiplicazione matrice-vettore, un calcolo di base utilizzato nell'apprendimento automatico.
Una nuova ricerca Intel si è concentrata su ciò che accade quando vari difetti a cui sono soggetti i chip ottici durante la produzione (poiché la fotonica computazionale è di natura analogica) causano differenze nell’accuratezza computazionale tra diversi chip dello stesso tipo. Sebbene siano stati condotti studi simili, in passato si concentravano maggiormente sull’ottimizzazione post-fabbricazione per eliminare possibili imprecisioni. Ma questo approccio ha una scarsa scalabilità man mano che le reti diventano più grandi, con un conseguente aumento della potenza di calcolo richiesta per creare reti ottiche. Invece dell'ottimizzazione post-fabbricazione, Intel ha preso in considerazione l'addestramento dei chip una tantum prima della produzione utilizzando un'architettura tollerante al rumore. La rete neurale ottica di riferimento è stata addestrata una volta, dopodiché i parametri di addestramento sono stati distribuiti su diverse istanze di rete fabbricate con differenze nei loro componenti.
Il team Intel ha preso in considerazione due architetture per la realizzazione di sistemi di intelligenza artificiale basati su MZI: GridNet e FFTNet. GridNet posiziona prevedibilmente gli MZI in una griglia, mentre FFTNet li posiziona in farfalle. Dopo aver addestrato entrambi in una simulazione sul compito di benchmark dell'apprendimento profondo per il riconoscimento delle cifre scritte a mano (MNIST), i ricercatori hanno scoperto che GridNet raggiungeva una precisione maggiore rispetto a FFTNet (98% contro 95%), ma l'architettura FFTNet era "significativamente più robusta". Infatti, le prestazioni di GridNet sono scese sotto il 50% con l'aggiunta del rumore artificiale (interferenza che simula possibili difetti nella produzione dei chip ottici), mentre per FFTNet sono rimaste quasi costanti.
Gli scienziati affermano che la loro ricerca getta le basi per metodi di addestramento dell’intelligenza artificiale che potrebbero eliminare la necessità di mettere a punto i chip ottici dopo la loro produzione, risparmiando tempo e risorse preziose.
"Come in ogni processo di produzione, si verificheranno alcuni difetti che significano che ci saranno piccole differenze tra i chip che influenzeranno l'accuratezza dei calcoli", scrive Casimir Wierzynski, direttore senior di Intel AI Product Group. “Se le entità neurali ottiche vogliono diventare una parte vitale dell’ecosistema hardware dell’intelligenza artificiale, dovranno passare a chip più grandi e tecnologie di produzione industriale. La nostra ricerca mostra che la scelta iniziale dell’architettura giusta può aumentare significativamente la probabilità che i chip risultanti raggiungano le prestazioni desiderate, anche in presenza di variazioni di produzione”.
Mentre Intel conduce principalmente ricerca, il dottorando del MIT Yichen Shen ha fondato la startup Lightelligence con sede a Boston, che ha raccolto 10,7 milioni di dollari in finanziamenti di venture capital e un prototipo di chip ottico per l'apprendimento automatico che è 100 volte più veloce dei moderni chip elettronici e riduce anche il consumo energetico di un ordine di grandezza, il che dimostra ancora una volta chiaramente la promessa delle tecnologie fotoniche.
Fonte: 3dnews.ru