Fotoniniai integriniai grandynai arba optiniai lustai gali pasiūlyti daug pranašumų, palyginti su elektroniniais analogais, pvz., mažesnis energijos suvartojimas ir mažesnis skaičiavimo laikas. Štai kodėl daugelis mokslininkų mano, kad jie gali būti itin veiksmingi atliekant mašininį mokymąsi ir dirbtinio intelekto (AI) užduotis. „Intel“ taip pat mato dideles silicio fotonikos panaudojimo perspektyvas šia kryptimi. Jos tyrinėtojų grupė išsamios naujos technikos, galinčios optinius neuroninius tinklus priartinti prie realybės.
Neseniai , skirta mašininiam mokymuisi, aprašo, kaip prasidėjo tyrimai optinių neuroninių tinklų srityje. David AB Miller ir Michael Reck tyrimai parodė, kad fotoninės grandinės tipas, žinomas kaip Mach-Zehnder interferometras (MZI), gali būti sukonfigūruotas atlikti 2 × 2 matricos dauginimą, kai MZI dedamas ant trikampio tinklelio didelėms matricoms dauginti. gauti grandinę, kuri įgyvendina matricos-vektoriaus daugybos algoritmą – pagrindinį skaičiavimą, naudojamą mašininiame mokyme.
Naujasis „Intel“ tyrimas sutelkė dėmesį į tai, kas nutinka, kai dėl įvairių defektų, kurie gali atsirasti optinių lustų gamybos metu (kadangi skaičiavimo fotonika yra analoginio pobūdžio), skiriasi skirtingų to paties tipo lustų skaičiavimo tikslumas. Nors buvo atliekami panašūs tyrimai, anksčiau jie daugiau dėmesio skyrė optimizavimui po gamybos, siekiant pašalinti galimus netikslumus. Tačiau šis metodas yra prastai keičiamas, nes tinklai tampa didesni, todėl padidėja skaičiavimo galia, reikalinga optiniams tinklams nustatyti. Vietoj optimizavimo po gamybos, „Intel“ apsvarstė lustų mokymą vieną kartą prieš gaminant, naudodama triukšmui atsparią architektūrą. Etaloninis optinis neuroninis tinklas buvo apmokytas vieną kartą, po to mokymo parametrai buvo paskirstyti keliuose pagamintuose tinklo egzemplioriuose su jų komponentų skirtumais.
„Intel“ komanda svarstė dvi dirbtinio intelekto sistemų kūrimo architektūras, pagrįstas MZI: „GridNet“ ir „FFTNet“. „GridNet“ nuspėjamai deda MZI į tinklelį, o FFTNet – į drugelius. Mokydamiesi atlikti ranka parašyto skaitmenų atpažinimo gilaus mokymosi etalono (MNIST) modeliavimą, mokslininkai nustatė, kad GridNet pasiekė didesnį tikslumą nei FFTNet (98 %, palyginti su 95 %), tačiau FFTNet architektūra buvo „žymiai tvirtesnė“. Tiesą sakant, „GridNet“ našumas nukrito žemiau 50%, pridėjus dirbtinį triukšmą (trukdžius, kurie imituoja galimus optinių lustų gamybos defektus), o „FFTNet“ išliko beveik pastovus.
Mokslininkai teigia, kad jų tyrimai sudaro pagrindą dirbtinio intelekto lavinimo metodams, kurie gali pašalinti poreikį tikslinti optinius lustus po to, kai jie yra pagaminti, taip taupant brangų laiką ir išteklius.
„Kaip ir bet kuriame gamybos procese, atsiras tam tikrų defektų, o tai reiškia, kad tarp lustų bus nedideli skirtumai, kurie turės įtakos skaičiavimų tikslumui“, – rašo vyresnysis Intel AI produktų grupės direktorius Casimir Wierzynski. „Jei optiniai neuroniniai objektai taps gyvybinga AI aparatinės įrangos ekosistemos dalimi, jiems reikės pereiti prie didesnių lustų ir pramoninės gamybos technologijų. Mūsų tyrimai rodo, kad iš anksto pasirinkus tinkamą architektūrą, gali žymiai padidėti tikimybė, kad gaunami lustai pasieks pageidaujamą našumą, net ir esant gamybos skirtumams.
Tuo pat metu, kai „Intel“ pirmiausia atlieka mokslinius tyrimus, MIT doktorantas Yichen Shen įkūrė Bostone įsikūrusį startuolį „Lightelligence“, kuris surinko 10,7 mln. USD rizikos finansavimo ir optinio lusto prototipas mašininiam mokymuisi, kuris yra 100 kartų greitesnis už šiuolaikinius elektroninius lustus ir taip pat sumažina energijos suvartojimą, o tai dar kartą aiškiai parodo fotoninių technologijų žadą.
Šaltinis: 3dnews.ru