Photonesch integréiert Circuiten, oder optesch Chips, bidden potenziell vill Virdeeler iwwer hir elektronesch Géigeparteien, sou wéi reduzéierter Stroumverbrauch a reduzéierter Latenz beim Berechnung. Dofir gleewen vill Fuerscher datt se extrem effektiv kënne sinn am Maschinnléieren a Kënschtlech Intelligenz (AI) Aufgaben. Intel gesäit och grouss Perspektiven fir d'Benotzung vun Silizium Photonik an dëser Richtung. Hir Fuerschungsteam an detailléiert nei Techniken déi optesch neural Netzwierker e Schrëtt méi no un d'Realitéit bréngen.
An engem rezenten , gewidmet fir Maschinnléieren, beschreift wéi d'Fuerschung am Beräich vun opteschen neurale Netzwierker ugefaang huet. Fuerschungsaarbecht vum David AB Miller a Michael Reck huet bewisen datt eng Aart vu photonesche Circuit bekannt als Mach-Zehnder Interferometer (MZI) ka konfiguréiert ginn fir 2 × 2 Matrixmultiplikatioun auszeféieren, a wann MZI op engem dräieckege Mesh plazéiert ass fir grouss Matrixen ze multiplizéieren , kann een e Circuit kréien deen de Matrix-Vektor Multiplikatiouns-Algorithmus implementéiert, eng Basisberechnung déi am Maschinnléiere benotzt gëtt.
Nei Intel Fuerschung konzentréiert sech op wat geschitt wann verschidde Mängel, op déi optesch Chips ufälleg sinn während der Fabrikatioun (well computational Photonik ass analog an der Natur) verursaache Differenzen an der Berechnungsgenauegkeet tëscht verschiddene Chips vun der selwechter Aart. Obwuel ähnlech Studien duerchgefouert goufen, hu se an der Vergaangenheet méi op Post-Fabrikatiounsoptimiséierung konzentréiert fir méiglech Ongenauegkeeten ze eliminéieren. Awer dës Approche huet eng schlecht Skalierbarkeet well Netzwierker méi grouss ginn, wat zu enger Erhéijung vun der Rechenkraaft resultéiert fir optesch Netzwierker opzestellen. Amplaz vun der Post-Fabrikatioun Optimisatioun, Intel betruecht Training Chips eent-Zäit virun der Fabrikatioun vun engem Kaméidi-tolerant Architektur benotzt. D'Referenz optesch neural Netzwierk gouf eemol trainéiert, duerno goufen d'Trainingsparameter iwwer verschidde fabrizéiert Netzwierkinstanzen mat Differenzen an hire Komponenten verdeelt.
D'Intel Team huet zwou Architekturen ugesinn fir kënschtlech Intelligenzsystemer op MZI ze bauen: GridNet an FFTNet. GridNet placéiert viraussiichtlech MZIs an engem Gitter, während FFTNet se a Päiperleken plazéiert. No Training souwuel an enger Simulatioun op der handgeschriwwe Zifferenerkennung Deep Learning Benchmark Task (MNIST), hunn d'Fuerscher festgestallt datt GridNet méi héich Genauegkeet erreecht huet wéi FFTNet (98% vs. 95%), awer d'FFFTNet Architektur war "bedeitend méi robust." Tatsächlech ass d'Performance vum GridNet ënner 50% erofgaang mat der Zousatz vu kënschtleche Geräischer (Interferenz déi méiglech Mängel bei der Fabrikatioun vun opteschen Chips simuléiert), wärend et fir FFTNet bal konstant bliwwen ass.
D'Wëssenschaftler soen datt hir Fuerschung d'Basis leet fir Trainingsmethoden fir kënschtlech Intelligenz, déi d'Noutwennegkeet eliminéiere kënnen fir optesch Chips ze feinstëmmen nodeems se produzéiert ginn, a wäertvoll Zäit a Ressourcen spueren.
"Wéi mat all Fabrikatiounsprozess wäerte verschidde Mängel optrieden, wat bedeit datt et kleng Differenzen tëscht Chips gëtt, déi d'Genauegkeet vun de Berechnungen beaflossen", schreift Casimir Wierzynski, Senior Direkter vun Intel AI Product Group. "Wann optesch neural Entitéite e viablen Deel vum AI-Hardware-Ökosystem solle ginn, musse se op méi grouss Chips an industriell Fabrikatiounstechnologien plënneren. Eis Fuerschung weist datt d'Wiel vun der richteger Architektur virdru kann d'Wahrscheinlechkeet erheblech erhéijen datt déi resultéierend Chips déi gewënscht Leeschtung erreechen, och a Präsenz vu Fabrikatiounsvariatiounen.
Zur selwechter Zäit datt Intel haaptsächlech Fuerschung mécht, huet de MIT PhD Kandidat Yichen Shen de Boston-baséierte Startup Lightelligence gegrënnt, deen $ 10,7 Milliounen u Venture Finanzéierung gesammelt huet an e Prototyp opteschen Chip fir Maschinnléieren, deen 100 Mol méi séier ass wéi modern elektronesch Chips an och d'Kraaftverbrauch mat enger Uerdnung reduzéiert, wat nach eng Kéier d'Versprieche vu photonesche Technologien kloer weist.
Source: 3dnews.ru