Sirkuit terpadu fotonik, utawa chip optik, duweni potensi menehi akeh kaluwihan tinimbang mitra elektronik, kayata nyuda konsumsi daya lan nyuda latensi ing komputasi. Pramila akeh peneliti percaya yen bisa efektif banget kanggo sinau mesin lan tugas intelijen buatan (AI). Intel uga ndeleng prospek gedhe kanggo nggunakake fotonik silikon ing arah iki. Tim riset dheweke ing teknik anyar sing rinci sing bisa nggawa jaringan saraf optik luwih cedhak karo kasunyatan.
Ing pungkasan , darmabakti kanggo machine learning, nerangake carane riset ing bidang jaringan syaraf optik diwiwiti. Riset dening David AB Miller lan Michael Reck wis nuduhake manawa jinis sirkuit fotonik sing dikenal minangka interferometer Mach-Zehnder (MZI) bisa dikonfigurasi kanggo nindakake perkalian matriks 2 Γ 2 nalika dilebokake MZI ing bolong segi telu kanggo perkalian matriks gedhe. entuk sirkuit sing ngetrapake algoritma perkalian matriks-vektor, pitungan dhasar sing digunakake ing machine learning.
Riset Intel anyar fokus ing apa sing kedadeyan nalika macem-macem cacat sing rentan Kripik optik sajrone manufaktur (amarga fotonik komputasi ana ing alam analog) nyebabake beda akurasi komputasi antarane chip beda saka jinis sing padha. Sanajan pasinaon sing padha wis ditindakake, ing jaman kepungkur, dheweke luwih fokus ing optimasi pasca-fabrikasi kanggo ngilangi kemungkinan sing ora akurat. Nanging pendekatan iki nduweni skalabilitas sing kurang amarga jaringan dadi luwih gedhe, nyebabake paningkatan daya komputasi sing dibutuhake kanggo nyiyapake jaringan optik. Tinimbang optimasi pasca-fabrikasi, Intel nganggep chip latihan sepisan sadurunge manufaktur kanthi nggunakake arsitektur sing tahan gangguan. Jaringan saraf optik referensi dilatih sepisan, sawise paramèter latihan disebarake ing sawetara kasus jaringan sing digawe kanthi beda ing komponen.
Tim Intel nganggep rong arsitektur kanggo mbangun sistem intelijen buatan adhedhasar MZI: GridNet lan FFTNet. GridNet prediksi nempatake MZI ing kothak, nalika FFTNet nyelehake pola kupu-kupu. Sawise latihan loro-lorone ing simulasi ing tugas benchmark learning jero pangenalan digit tulisan tangan (MNIST), para peneliti nemokake yen GridNet entuk akurasi sing luwih dhuwur tinimbang FFTNet (98% vs. 95%), nanging arsitektur FFTNet "luwih kuwat." Nyatane, kinerja GridNet mudhun ing ngisor 50% kanthi tambahan gangguan gawean (gangguan sing bisa nyebabake cacat ing manufaktur chip optik), dene kanggo FFTNet tetep meh tetep.
Para ilmuwan ujar manawa riset kasebut nggawe dhasar kanggo metode latihan intelijen buatan sing bisa ngilangi kabutuhan kanggo nyempurnakake chip optik sawise diprodhuksi, ngirit wektu lan sumber daya.
"Kaya proses manufaktur, cacat tartamtu bakal kedadeyan sing tegese bakal ana beda cilik ing antarane chip sing bakal mengaruhi akurasi petungan," tulis Casimir Wierzynski, direktur senior Intel AI Product Group. "Yen entitas saraf optik dadi bagean sing sregep ing ekosistem perangkat keras AI, dheweke kudu pindhah menyang chip sing luwih gedhe lan teknologi manufaktur industri. Riset kita nuduhake yen milih arsitektur sing tepat ing ngarep bisa nambah kemungkinan chip sing diasilake bakal entuk kinerja sing dikarepake, sanajan ana variasi manufaktur.
Ing wektu sing padha, Intel utamane nganakake riset, calon PhD MIT Yichen Shen ngedegake Lightelligence wiwitan berbasis Boston, sing wis ngasilake $ 10,7 yuta ing pendanaan usaha lan chip optik prototipe kanggo machine learning sing 100 kaping luwih cepet saka chip elektronik modern lan uga nyuda konsumsi daya dening urutan gedhene, kang sepisan maneh cetha nduduhake janji teknologi fotonik.
Source: 3dnews.ru