Фотонды интегралды схемалар немесе оптикалық чиптер өздерінің электрондық әріптестерінен қуатты тұтынуды азайту және есептеудегі кідірістерді азайту сияқты көптеген артықшылықтарды ұсынады. Сондықтан көптеген зерттеушілер олар машиналық оқыту және жасанды интеллект (AI) тапсырмаларында өте тиімді болуы мүмкін деп санайды. Сондай-ақ Intel осы бағытта кремний фотоникасын пайдаланудың үлкен перспективаларын көреді. Оның зерттеу тобы оптикалық нейрондық желілерді шындыққа бір қадам жақындата алатын егжей-тегжейлі жаңа әдістер.
Жақында , машиналық оқытуға арналған, оптикалық нейрондық желілер саласындағы зерттеулер қалай басталғанын сипаттайды. Дэвид А.Б.Миллер мен Майкл Ректің зерттеулері Мах-Зехдер интерферометрі (MZI) деп аталатын фотонды тізбектің түрін үлкен матрицаларды көбейту үшін үшбұрышты торға MZI орналастыру кезінде 2 × 2 матрицаны көбейтуді орындау үшін конфигурациялауға болатынын көрсетті. матрица-векторды көбейту алгоритмін, машиналық оқытуда қолданылатын негізгі есептеуді жүзеге асыратын схеманы алу.
Жаңа Intel зерттеулері оптикалық микросхемалар өндіріс кезінде сезімтал болатын әртүрлі ақаулар (есептеу фотоникасы табиғатта аналогтық болғандықтан) бір типтегі әртүрлі чиптер арасындағы есептеу дәлдігінде айырмашылықтар тудыратын кезде не болатынына назар аударды. Ұқсас зерттеулер жүргізілгенімен, бұрын олар ықтимал дәлсіздіктерді жою үшін өндірістен кейінгі оңтайландыруға көбірек көңіл бөлді. Бірақ бұл тәсілдің ауқымдылығы нашар, өйткені желілер үлкейеді, нәтижесінде оптикалық желілерді орнату үшін қажетті есептеу қуаты артады. Өндірістен кейінгі оңтайландырудың орнына Intel шуылға төзімді архитектураны пайдалану арқылы өндіру алдында чиптерді бір рет оқытуды қарастырды. Анықтамалық оптикалық нейрондық желі бір рет оқытылды, содан кейін оқыту параметрлері құрамдастарында айырмашылықтары бар бірнеше құрастырылған желі даналары бойынша таратылды.
Intel тобы MZI негізінде жасанды интеллект жүйелерін құрудың екі архитектурасын қарастырды: GridNet және FFTNet. GridNet болжамды түрде MZI-ді торға орналастырады, ал FFTNet оларды көбелек үлгілеріне орналастырады. Қолжазба сандарды тану терең оқытудың эталондық тапсырмасы (MNIST) бойынша модельдеуді үйренгеннен кейін зерттеушілер GridNet FFTNet-ке қарағанда жоғары дәлдікке қол жеткізгенін анықтады (98% қарсы 95%), бірақ FFTNet архитектурасы «айтарлықтай берік» болды. Шын мәнінде, GridNet өнімділігі жасанды шуды (оптикалық чип өндірісіндегі ықтимал ақауларды имитациялайтын кедергі) қосқанда 50%-дан төмендеді, ал FFTNet үшін ол тұрақты дерлік болып қалды.
Ғалымдардың айтуынша, олардың зерттеулері жасанды интеллектті оқыту әдістерінің негізін қалады, бұл оптикалық чиптерді шығарғаннан кейін оларды дәл баптау қажеттілігін жойып, құнды уақыт пен ресурстарды үнемдейді.
«Кез келген өндіріс процесіндегі сияқты, белгілі бір ақаулар орын алады, бұл есептеулердің дәлдігіне әсер ететін чиптер арасында шағын айырмашылықтар болады», - деп жазады Intel AI өнімдер тобының аға директоры Касимир Виржински. «Егер оптикалық нейрондық нысандар AI аппараттық экожүйесінің өміршең бөлігіне айналуы үшін, олар үлкен чиптерге және өнеркәсіптік өндіріс технологияларына көшуі керек. Біздің зерттеуіміз көрсеткендей, дұрыс архитектураны таңдау, тіпті өндірістегі вариациялар болған жағдайда да, алынған чиптердің қажетті өнімділікке жету ықтималдығын айтарлықтай арттыруы мүмкін ».
Intel негізінен зерттеу жүргізіп жатқан кезде, MIT PhD кандидаты Йичэн Шен венчурлық қаржыландырудан 10,7 миллион доллар жинаған Бостонда орналасқан Lightelligence стартапын құрды. қазіргі заманғы электронды чиптерден 100 есе жылдамырақ, сонымен қатар қуат тұтынуды шама бойынша азайтатын машиналық оқытуға арналған оптикалық чиптің прототипі фотоникалық технологиялардың уәдесін тағы бір рет айқын көрсетеді.
Ақпарат көзі: 3dnews.ru