אינטל עובדת על שבבים אופטיים עבור AI יעיל יותר

מעגלים משולבים פוטוניים, או שבבים אופטיים, עשויים להציע יתרונות רבים על פני עמיתיהם האלקטרוניים, כגון צריכת חשמל מופחתת והפחתת זמן השהייה בחישוב. זו הסיבה שחוקרים רבים מאמינים שהם יכולים להיות יעילים ביותר במשימות למידת מכונה ובינה מלאכותית (AI). אינטל גם רואה סיכויים גדולים לשימוש בפוטוני סיליקון בכיוון זה. צוות המחקר שלה ב מאמר מדעי פירט טכניקות חדשות שיכולות לקרב רשתות עצביות אופטיות צעד אחד קרוב יותר למציאות.

באחרונה פוסטים בבלוג של אינטל, המוקדש ללמידת מכונה, מתאר כיצד החל המחקר בתחום של רשתות עצביות אופטיות. מחקר של דיוויד א.ב. מילר ומייקל רק הוכיח כי ניתן להגדיר סוג של מעגל פוטוניים המכונה אינטרפרומטר Mach-Zehnder (MZI) לבצע כפל מטריצה ​​של 2×2 כאשר מניחים את MZI על רשת משולשת להכפלת מטריצות גדולות. להשיג מעגל המיישם את אלגוריתם הכפל המטריצה-וקטור, חישוב בסיסי המשמש למידת מכונה.

מחקר חדש של אינטל התמקד במה שקורה כאשר פגמים שונים ששבבים אופטיים רגישים אליהם במהלך הייצור (מכיוון שפוטוניקה חישובית היא אנלוגית באופייה) גורמים להבדלים בדיוק החישובי בין שבבים שונים מאותו סוג. למרות שנערכו מחקרים דומים, בעבר הם התמקדו יותר באופטימיזציה שלאחר הייצור כדי למנוע אי דיוקים אפשריים. אבל לגישה זו יש יכולת מדרגיות גרועה ככל שהרשתות הופכות לגדולות יותר, וכתוצאה מכך לעלייה בכוח המחשוב הנדרש להקמת רשתות אופטיות. במקום אופטימיזציה לאחר הייצור, אינטל שקלה אימון שבבים חד פעמי לפני הייצור באמצעות ארכיטקטורה סובלנית לרעשים. הרשת העצבית האופטית הייחוס אומנה פעם אחת, ולאחר מכן הופצו פרמטרי האימון על פני מספר מופעי רשת מפוברקים עם הבדלים במרכיביהם.

צוות אינטל שקל שתי ארכיטקטורות לבניית מערכות בינה מלאכותית המבוססות על MZI: GridNet ו-FFFTNet. GridNet ממקם באופן צפוי MZIs ברשת, בעוד FFTNet ממקם אותם בפרפרים. לאחר הכשרה של שניהם בסימולציה על משימת הבנצ'מרק למידה עמוקה של זיהוי ספרות בכתב יד (MNIST), החוקרים גילו ש-GridNet השיגה דיוק גבוה יותר מ-FFTNet (98% לעומת 95%), אבל ארכיטקטורת FFTNet הייתה "חזקה משמעותית". למעשה, הביצועים של GridNet ירדו מתחת ל-50% עם תוספת של רעש מלאכותי (הפרעה המדמה פגמים אפשריים בייצור שבבים אופטיים), בעוד עבור FFTNet זה נשאר כמעט קבוע.

המדענים אומרים שהמחקר שלהם מניח את הבסיס לשיטות אימון בבינה מלאכותית שיכולות למנוע את הצורך בכוונון עדין של שבבים אופטיים לאחר ייצורם, ולחסוך זמן ומשאבים יקרים.

"כמו בכל תהליך ייצור, יתרחשו פגמים מסוימים שמשמעותם שיהיו הבדלים קטנים בין שבבים שישפיעו על דיוק החישובים", כותב קאזימיר וירז'ינסקי, מנהל בכיר של אינטל AI Product Group. "אם ישויות עצביות אופטיות יהפכו לחלק בר-קיימא מהאקולוגית של חומרת הבינה המלאכותית, הן יצטרכו לעבור לשבבים גדולים יותר ולטכנולוגיות ייצור תעשייתיות. המחקר שלנו מראה שבחירה בארכיטקטורה הנכונה מראש יכולה להגדיל משמעותית את הסבירות שהשבבים שיתקבלו ישיגו את הביצועים הרצויים, אפילו בנוכחות וריאציות ייצור".

במקביל לכך שאינטל מבצעת בעיקר מחקר, הקים המועמד ל-MIT PhD Yichen Shen את הסטארט-אפ Lightelligence מבוסס בוסטון, שגייס 10,7 מיליון דולר במימון סיכון ו הפגינו לאחרונה אב-טיפוס אופטי ללמידת מכונה מהיר פי 100 מהשבבים האלקטרוניים המודרניים וגם מקטין את צריכת החשמל בסדר גודל, מה ששוב מדגים בבירור את ההבטחה של טכנולוגיות פוטוניות.

מקור: 3dnews.ru