Intel ກໍາລັງເຮັດວຽກກ່ຽວກັບຊິບ optical ສໍາລັບ AI ທີ່ມີປະສິດທິພາບຫຼາຍຂຶ້ນ

ວົງຈອນລວມ photonic, ຫຼືຊິບ optical, ມີທ່າແຮງສະເຫນີຂໍ້ໄດ້ປຽບຫຼາຍຕໍ່ກັບຄູ່ຮ່ວມງານອີເລັກໂທຣນິກຂອງເຂົາເຈົ້າ, ເຊັ່ນ: ການຫຼຸດຜ່ອນການບໍລິໂພກພະລັງງານແລະການຫຼຸດຜ່ອນຄວາມຊັກຊ້າໃນການຄິດໄລ່. ນັ້ນແມ່ນເຫດຜົນທີ່ນັກຄົ້ນຄວ້າຈໍານວນຫຼາຍເຊື່ອວ່າພວກເຂົາສາມາດມີປະສິດທິພາບສູງສຸດໃນການຮຽນຮູ້ເຄື່ອງຈັກແລະວຽກງານປັນຍາປະດິດ (AI). Intel ຍັງເຫັນຄວາມສົດໃສດ້ານທີ່ດີສໍາລັບການນໍາໃຊ້ silicon photonics ໃນທິດທາງນີ້. ທີມງານຄົ້ນຄ້ວາຂອງນາງໃນ ບົດ​ຄວາມ​ວິ​ທະ​ຍາ​ສາດ​ ລາຍລະອຽດເຕັກນິກໃໝ່ທີ່ສາມາດເຮັດໃຫ້ເຄືອຂ່າຍ neural optical ກ້າວເຂົ້າໃກ້ຄວາມເປັນຈິງ.

ຫວ່າງມໍ່ໆນີ້ ບົດຄວາມ blog ຂອງ Intel, ອຸທິດຕົນເພື່ອການຮຽນຮູ້ເຄື່ອງຈັກ, ອະທິບາຍວິທີການຄົ້ນຄ້ວາໃນພາກສະຫນາມຂອງເຄືອຂ່າຍ neural optical ໄດ້ເລີ່ມຕົ້ນ. ການຄົ້ນຄວ້າໂດຍ David AB Miller ແລະ Michael Reck ໄດ້ສະແດງໃຫ້ເຫັນວ່າປະເພດຂອງວົງຈອນ photonic ທີ່ເອີ້ນວ່າ Mach-Zehnder interferometer (MZI) ສາມາດຖືກຕັ້ງຄ່າເພື່ອປະຕິບັດການຄູນມາຕຣິກເບື້ອງ 2 × 2 ເມື່ອວາງ MZI ໃສ່ຕາຫນ່າງສາມຫຼ່ຽມສໍາລັບການຄູນ matrices ຂະຫນາດໃຫຍ່, ຫນຶ່ງສາມາດ. ໄດ້ຮັບວົງຈອນທີ່ປະຕິບັດສູດການຄູນ matrix-vector, ການຄິດໄລ່ພື້ນຖານທີ່ໃຊ້ໃນການຮຽນຮູ້ເຄື່ອງຈັກ.

ການຄົ້ນຄວ້າໃຫມ່ຂອງ Intel ໄດ້ສຸມໃສ່ສິ່ງທີ່ເກີດຂື້ນໃນເວລາທີ່ຂໍ້ບົກພ່ອງຕ່າງໆທີ່ chip optical ມີຄວາມອ່ອນໄຫວຕໍ່ກັບການຜະລິດ (ນັບຕັ້ງແຕ່ photonics ຄອມພິວເຕີ້ເປັນແບບປຽບທຽບ) ເຮັດໃຫ້ເກີດຄວາມແຕກຕ່າງໃນຄວາມຖືກຕ້ອງຂອງຄອມພິວເຕີ້ລະຫວ່າງ chip ປະເພດດຽວກັນ. ເຖິງແມ່ນວ່າການສຶກສາທີ່ຄ້າຍຄືກັນໄດ້ຖືກດໍາເນີນ, ໃນໄລຍະຜ່ານມາພວກເຂົາໄດ້ສຸມໃສ່ການເພີ່ມປະສິດທິພາບຫລັງ fabrication ຫຼາຍກວ່າເກົ່າເພື່ອລົບລ້າງຄວາມບໍ່ແນ່ນອນທີ່ເປັນໄປໄດ້. ແຕ່ວິທີການນີ້ມີຄວາມສາມາດຂະຫຍາຍໄດ້ທີ່ບໍ່ດີຍ້ອນວ່າເຄືອຂ່າຍກາຍເປັນຂະຫນາດໃຫຍ່, ສົ່ງຜົນໃຫ້ການເພີ່ມຂຶ້ນຂອງພະລັງງານຄອມພິວເຕີ້ທີ່ຕ້ອງການເພື່ອຕັ້ງຄ່າເຄືອຂ່າຍ optical. ແທນທີ່ຈະເພີ່ມປະສິດທິພາບຫລັງການຜະລິດ, Intel ພິຈາລະນາຊິບການຝຶກອົບຮົມຫນຶ່ງຄັ້ງກ່ອນການຜະລິດໂດຍໃຊ້ສະຖາປັດຕະຍະກໍາທີ່ທົນທານຕໍ່ສຽງ. ເຄືອຂ່າຍ neural optical ອ້າງອິງໄດ້ຮັບການຝຶກອົບຮົມຄັ້ງດຽວ, ຫຼັງຈາກນັ້ນຕົວກໍານົດການຝຶກອົບຮົມໄດ້ຖືກແຈກຢາຍໃນທົ່ວເຄືອຂ່າຍ fabricated ຫຼາຍຕົວຢ່າງທີ່ມີຄວາມແຕກຕ່າງໃນອົງປະກອບຂອງພວກເຂົາ.

ທີມງານ Intel ໄດ້ພິຈາລະນາສອງສະຖາປັດຕະຍະກໍາສໍາລັບການກໍ່ສ້າງລະບົບປັນຍາປະດິດໂດຍອີງໃສ່ MZI: GridNet ແລະ FFTNet. GridNet ຄາດຄະເນວາງ MZIs ໃນຕາຂ່າຍໄຟຟ້າ, ໃນຂະນະທີ່ FFTNet ວາງພວກມັນຢູ່ໃນຜີເສື້ອ. ຫຼັງຈາກການຝຶກອົບຮົມທັງສອງໃນການຈໍາລອງກ່ຽວກັບວຽກງານມາດຕະຖານການຮຽນຮູ້ເລິກທີ່ຂຽນດ້ວຍມື (MNIST), ນັກຄົ້ນຄວ້າພົບວ່າ GridNet ບັນລຸຄວາມຖືກຕ້ອງສູງກວ່າ FFTNet (98% ທຽບກັບ 95%), ແຕ່ສະຖາປັດຕະຍະກໍາ FFTNet ແມ່ນ "ເຂັ້ມແຂງກວ່າຢ່າງຫຼວງຫຼາຍ." ໃນຄວາມເປັນຈິງ, ການປະຕິບັດຂອງ GridNet ຫຼຸດລົງຕໍ່າກວ່າ 50% ດ້ວຍການເພີ່ມເຕີມຂອງສິ່ງລົບກວນປອມ (ການແຊກແຊງທີ່ຈໍາລອງຂໍ້ບົກພ່ອງທີ່ເປັນໄປໄດ້ໃນການຜະລິດ chip optical), ໃນຂະນະທີ່ສໍາລັບ FFTNet ມັນຍັງຄົງເກືອບຄົງທີ່.

ນັກວິທະຍາສາດກ່າວວ່າການຄົ້ນຄວ້າຂອງເຂົາເຈົ້າວາງພື້ນຖານສໍາລັບວິທີການຝຶກອົບຮົມປັນຍາປະດິດທີ່ສາມາດລົບລ້າງຄວາມຕ້ອງການທີ່ຈະປັບ chip optical ຫຼັງຈາກການຜະລິດ, ປະຫຍັດເວລາແລະຊັບພະຍາກອນທີ່ມີຄຸນຄ່າ.

Casimir Wierzynski, ຜູ້ອໍານວຍການອາວຸໂສຂອງ Intel AI Product Group ຂຽນວ່າ "ເຊັ່ນດຽວກັນກັບຂະບວນການຜະລິດໃດກໍ່ຕາມ, ຄວາມບົກຜ່ອງບາງຢ່າງຈະເກີດຂື້ນເຊິ່ງຫມາຍຄວາມວ່າຈະມີຄວາມແຕກຕ່າງເລັກນ້ອຍລະຫວ່າງຊິບທີ່ຈະສົ່ງຜົນກະທົບຕໍ່ຄວາມຖືກຕ້ອງຂອງການຄິດໄລ່", Casimir Wierzynski, ຜູ້ອໍານວຍການອາວຸໂສຂອງ Intel AI Product Group ຂຽນ. "ຖ້າຫນ່ວຍປະສາດ neural optical ກາຍເປັນສ່ວນຫນຶ່ງທີ່ມີປະສິດຕິພາບຂອງລະບົບນິເວດຮາດແວ AI, ພວກເຂົາຈະຕ້ອງຍ້າຍໄປໃຊ້ຊິບຂະຫນາດໃຫຍ່ແລະເຕັກໂນໂລຢີການຜະລິດອຸດສາຫະກໍາ. ການຄົ້ນຄວ້າຂອງພວກເຮົາສະແດງໃຫ້ເຫັນວ່າການເລືອກສະຖາປັດຕະຍະກໍາທີ່ຖືກຕ້ອງສາມາດເພີ່ມຄວາມເປັນໄປໄດ້ຢ່າງຫຼວງຫຼາຍທີ່ຊິບຜົນໄດ້ຮັບຈະບັນລຸການປະຕິບັດທີ່ຕ້ອງການ, ເຖິງແມ່ນວ່າຢູ່ໃນການປ່ຽນແປງການຜະລິດ."

ໃນຂະນະດຽວກັນທີ່ Intel ກໍາລັງດໍາເນີນການຄົ້ນຄ້ວາຕົ້ນຕໍ, ຜູ້ສະຫມັກປະລິນຍາເອກ MIT Yichen Shen ກໍ່ຕັ້ງບໍລິສັດ Startup Lightelligence ທີ່ Boston, ເຊິ່ງໄດ້ລະດົມທຶນ 10,7 ລ້ານໂດລາໃນການລົງທຶນແລະ. ສະແດງໃຫ້ເຫັນບໍ່ດົນມານີ້ ຊິບ optical ແບບຕົ້ນແບບສໍາລັບການຮຽນຮູ້ເຄື່ອງຈັກທີ່ໄວກວ່າຊິບເອເລັກໂຕຣນິກທີ່ທັນສະໄຫມ 100 ເທົ່າແລະຍັງຫຼຸດຜ່ອນການໃຊ້ພະລັງງານໂດຍລໍາດັບ, ເຊິ່ງອີກເທື່ອຫນຶ່ງສະແດງໃຫ້ເຫັນຢ່າງຊັດເຈນເຖິງຄໍາສັນຍາຂອງເຕັກໂນໂລຢີ photonic.

ແຫຼ່ງຂໍ້ມູນ: 3dnews.ru