인텔은 보다 효율적인 AI를 위한 광학 칩을 연구하고 있습니다.

광자 집적 회로 또는 광학 칩은 낮은 전력 소비 및 컴퓨팅 대기 시간 감소와 같은 전자 제품에 비해 많은 이점을 제공할 수 있는 잠재력을 가지고 있습니다. 그렇기 때문에 많은 연구자들이 기계 학습 및 인공 지능(AI) 생성 작업에 매우 효과적일 수 있다고 믿는 것입니다. 인텔은 또한 이 분야에서 실리콘 포토닉스 사용에 대한 큰 전망을 보고 있습니다. 연구원 그룹 과학 기사 광학 신경망을 현실에 한 걸음 더 가까이 가져올 수 있는 새로운 방법을 자세히 설명합니다.

최근 인텔 블로그 게시물기계 학습에 전념하는 는 광학 신경망 분야의 연구가 어떻게 시작되었는지 알려줍니다. David AB Miller와 Michael Reck의 과학적 작업은 MZI(Mach-Zehnder interferometer)로 알려진 일종의 광자 회로가 2 × 2 행렬 곱셈을 수행하도록 구성될 수 있음을 보여주었습니다. 큰 행렬의 경우 기계 학습에 사용되는 주요 계산인 행렬-벡터 곱셈 알고리즘을 구현하는 회로를 얻을 수 있습니다.

인텔의 새로운 연구는 제조 과정에서 광학 칩이 노출되는 다양한 결함(계산 포토닉스는 본질적으로 아날로그이기 때문에)이 동일한 유형의 서로 다른 칩 간에 계산 정확도의 차이를 유발할 때 어떤 일이 발생하는지에 초점을 맞췄습니다. 유사한 연구가 이미 수행되었지만 과거에는 가능한 부정확성을 제거하기 위해 제조 후 최적화에 더 중점을 두었습니다. 그러나 이 접근 방식은 네트워크가 점점 더 커짐에 따라 확장성이 좋지 않아 광 네트워크를 설정하는 데 더 많은 처리 능력이 필요합니다. 제조 후 최적화 대신에 Intel은 노이즈 내성 아키텍처를 사용하여 제조 전에 칩을 일회성 교육할 수 있는 가능성을 살펴보았습니다. 참조 광 신경망은 한 번 훈련된 후 훈련 매개변수가 구성 요소의 차이가 있는 여러 조작된 네트워크 인스턴스에 분산되었습니다.

인텔 팀은 MZI를 기반으로 인공 지능 시스템을 구축하기 위해 GridNet과 FFTNet이라는 두 가지 아키텍처를 고려했습니다. GridNet은 MZI를 예측 가능한 그리드에 배치하고 FFTNet은 MZI를 나비 패턴에 배치합니다. 필기 숫자 인식 딥 러닝 참조 작업(MNIST) 시뮬레이션에서 둘 다 훈련한 후 연구원들은 GridNet이 FFTNet보다 더 높은 정확도를 달성했지만(98% 대 95%) FFTNet 아키텍처가 "훨씬 더 강력"하다는 것을 발견했습니다. 실제로 GridNet의 성능은 인공 노이즈(광학 칩 생산 시 발생할 수 있는 결함을 모방한 간섭)가 추가되면서 50% 이하로 떨어졌지만 FFTNet의 경우 거의 일정하게 유지되었습니다.

과학자들은 그들의 연구가 광학 칩이 제조된 후 미세 조정될 필요가 없어 귀중한 시간과 자원을 절약할 수 있는 AI 훈련 방법의 토대를 마련했다고 말합니다.

Intel AI 제품 그룹의 수석 이사인 Casimir Wierzynski는 "모든 제조 공정과 마찬가지로 특정 결함이 발생합니다. 즉, 칩 간에 약간의 차이가 있을 수 있으며 이는 계산의 정확도에 영향을 미칩니다." “광학 신경 에센스가 AI 하드웨어 생태계의 실행 가능한 부분이 되려면 더 큰 칩과 산업 제조 기술로 이동해야 합니다. 우리 연구에 따르면 올바른 아키텍처를 미리 선택하면 제조 변형이 있는 경우에도 결과 칩이 원하는 성능을 달성할 가능성이 크게 높아질 수 있습니다.”

인텔이 주로 연구를 수행하는 동안 MIT 박사 Yichen Shen은 보스턴에 기반을 둔 스타트업 Lightelligence를 설립하여 벤처 캐피털 펀딩 및 최근 시연 최신 전자 칩보다 100배 더 빠르고 전력 소비를 XNUMX배 줄인 기계 학습을 위한 프로토타입 광 칩은 광자 기술의 가능성을 다시 한 번 명확하게 보여줍니다.

출처 : 3dnews.ru