Intel მუშაობს ოპტიკურ ჩიპებზე უფრო ეფექტური AI

ფოტონიკური ინტეგრირებული სქემები, ან ოპტიკური ჩიპები, პოტენციურად გვთავაზობენ ბევრ უპირატესობას ელექტრონულ კოლეგებთან შედარებით, როგორიცაა ენერგიის მოხმარების შემცირება და გამოთვლების შეფერხების შემცირება. ამიტომაც ბევრი მკვლევარი თვლის, რომ ისინი შეიძლება იყოს ძალიან ეფექტური მანქანათმცოდნეობის და ხელოვნური ინტელექტის (AI) ამოცანებში. Intel ასევე ხედავს დიდ პერსპექტივებს ამ მიმართულებით სილიკონის ფოტონიკის გამოყენებისთვის. მისი კვლევის ჯგუფი სამეცნიერო სტატია დეტალური ახალი ტექნიკა, რომელსაც შეუძლია ოპტიკური ნერვული ქსელები რეალობასთან ერთი ნაბიჯით მიახლოება.

ბოლო დროს ინტელის ბლოგის პოსტები, რომელიც ეძღვნება მანქანათმცოდნეობას, აღწერს, თუ როგორ დაიწყო კვლევა ოპტიკური ნერვული ქსელების სფეროში. დევიდ AB მილერისა და მაიკლ რეკის მიერ ჩატარებულმა კვლევამ აჩვენა, რომ ფოტონიკური წრედის ტიპი, რომელიც ცნობილია როგორც Mach-Zehnder ინტერფერომეტრი (MZI) შეიძლება კონფიგურირებული იყოს 2 × 2 მატრიცის გამრავლების შესასრულებლად, როდესაც მოთავსებულია MZI სამკუთხა ბადეზე დიდი მატრიცების გასამრავლებლად. მიიღეთ წრე, რომელიც ახორციელებს მატრიცა-ვექტორის გამრავლების ალგორითმს, საბაზისო გამოთვლას, რომელიც გამოიყენება მანქანათმცოდნეობაში.

Intel-ის ახალი კვლევა ფოკუსირებულია იმაზე, თუ რა ხდება, როდესაც სხვადასხვა დეფექტები, რომლებსაც ოპტიკური ჩიპები ექვემდებარება დამზადების დროს (რადგან გამოთვლითი ფოტონიკა ანალოგური ხასიათისაა) იწვევს გამოთვლითი სიზუსტის განსხვავებას იმავე ტიპის სხვადასხვა ჩიპებს შორის. მიუხედავად იმისა, რომ მსგავსი კვლევები ჩატარდა, წარსულში ისინი უფრო მეტ ყურადღებას ამახვილებდნენ ფაბრიკაციის შემდგომ ოპტიმიზაციაზე შესაძლო უზუსტობების აღმოსაფხვრელად. მაგრამ ამ მიდგომას აქვს ცუდი მასშტაბირება, რადგან ქსელები უფრო დიდი ხდება, რაც იწვევს ოპტიკური ქსელების დასაყენებლად საჭირო გამოთვლითი სიმძლავრის ზრდას. დამზადების შემდგომი ოპტიმიზაციის ნაცვლად, Intel-მა განიხილა სასწავლო ჩიპები ერთჯერადად წარმოებამდე, ხმაურის ტოლერანტული არქიტექტურის გამოყენებით. საცნობარო ოპტიკური ნეირონული ქსელი ერთხელ იყო მომზადებული, რის შემდეგაც ტრენინგის პარამეტრები განაწილდა რამდენიმე შეთითხნილ ქსელში, მათ კომპონენტებში განსხვავებებით.

Intel-ის გუნდმა განიხილა ორი არქიტექტურა MZI-ზე დაფუძნებული ხელოვნური ინტელექტის სისტემების შესაქმნელად: GridNet და FFTNet. GridNet პროგნოზირებად ათავსებს MZI-ებს ქსელში, ხოლო FFTNet ათავსებს მათ პეპლებში. ხელნაწერი ციფრების ამოცნობის ღრმა სწავლის საორიენტაციო ამოცანის (MNIST) ტრენინგის შემდეგ, მკვლევარებმა დაადგინეს, რომ GridNet-მა მიაღწია უფრო მაღალ სიზუსტეს, ვიდრე FFTNet (98% 95%-ის წინააღმდეგ), მაგრამ FFTNet არქიტექტურა იყო „მნიშვნელოვნად უფრო ძლიერი“. ფაქტობრივად, GridNet-ის შესრულება დაეცა 50%-ზე ქვემოთ ხელოვნური ხმაურის დამატებით (ჩარევა, რომელიც სიმულაციას უკეთებს შესაძლო დეფექტებს ოპტიკური ჩიპების წარმოებაში), ხოლო FFTNet-ისთვის ის თითქმის მუდმივი დარჩა.

მეცნიერები ამბობენ, რომ მათი კვლევა საფუძველს უყრის ხელოვნური ინტელექტის სწავლების მეთოდებს, რომლებიც შეიძლება აღმოფხვრას მათი წარმოების შემდეგ ოპტიკური ჩიპების დაზუსტების საჭიროება, რაც დაზოგავს ძვირფას დროსა და რესურსებს.

"როგორც ნებისმიერი წარმოების პროცესში, გარკვეული დეფექტები მოხდება, რაც ნიშნავს, რომ იქნება მცირე განსხვავებები ჩიპებს შორის, რაც გავლენას მოახდენს გამოთვლების სიზუსტეზე", - წერს კაზიმირ ვიერზინსკი, Intel AI Product Group-ის უფროსი დირექტორი. „თუ ოპტიკური ნერვული ერთეულები გახდებიან ხელოვნური ინტელექტის ტექნიკის ეკოსისტემის სიცოცხლისუნარიანი ნაწილი, მათ უნდა გადავიდნენ უფრო დიდ ჩიპებზე და სამრეწველო წარმოების ტექნოლოგიებზე. ჩვენმა კვლევამ აჩვენა, რომ სწორი არქიტექტურის არჩევამ შეიძლება მნიშვნელოვნად გაზარდოს იმის ალბათობა, რომ მიღებული ჩიპები მიაღწიონ სასურველ შესრულებას, თუნდაც წარმოების ვარიაციების არსებობის შემთხვევაში.”

იმავდროულად, როდესაც Intel ძირითადად ატარებს კვლევებს, MIT-ის დოქტორანტმა იიჩენ შენმა დააარსა ბოსტონში დაფუძნებული სტარტაპი Lightelligence, რომელმაც 10,7 მილიონი დოლარი შეაგროვა სარისკო დაფინანსებაში და ცოტა ხნის წინ აჩვენა პროტოტიპი ოპტიკური ჩიპი მანქანათმცოდნეობისთვის, რომელიც 100-ჯერ უფრო სწრაფია, ვიდრე თანამედროვე ელექტრონული ჩიპები და ასევე ამცირებს ენერგიის მოხმარებას სიდიდის რიგითობით, რაც კიდევ ერთხელ ნათლად აჩვენებს ფოტონიკური ტექნოლოგიების დაპირებას.

წყარო: 3dnews.ru