കൂടുതൽ കാര്യക്ഷമമായ AI-ക്കായി ഇന്റൽ ഒപ്റ്റിക്കൽ ചിപ്പുകളിൽ പ്രവർത്തിക്കുന്നു

ഫോട്ടോണിക്ക് ഇന്റഗ്രേറ്റഡ് സർക്യൂട്ടുകൾ, അല്ലെങ്കിൽ ഒപ്റ്റിക്കൽ ചിപ്പുകൾ, അവയുടെ ഇലക്ട്രോണിക് എതിരാളികളെ അപേക്ഷിച്ച്, കുറഞ്ഞ വൈദ്യുതി ഉപഭോഗം, കണക്കുകൂട്ടലിലെ കാലതാമസം എന്നിവ പോലുള്ള നിരവധി ഗുണങ്ങൾ വാഗ്ദാനം ചെയ്യുന്നു. അതുകൊണ്ടാണ് മെഷീൻ ലേണിംഗിലും ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് (എഐ) ജോലികളിലും അവ വളരെ ഫലപ്രദമാകുമെന്ന് പല ഗവേഷകരും വിശ്വസിക്കുന്നത്. ഈ ദിശയിൽ സിലിക്കൺ ഫോട്ടോണിക്‌സ് ഉപയോഗിക്കുന്നതിനുള്ള മികച്ച സാധ്യതകളും ഇന്റൽ കാണുന്നു. അവളുടെ ഗവേഷണ സംഘം ശാസ്ത്രീയ ലേഖനം ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളെ യാഥാർത്ഥ്യത്തിലേക്ക് ഒരു പടി അടുപ്പിക്കാൻ കഴിയുന്ന വിശദമായ പുതിയ സാങ്കേതിക വിദ്യകൾ.

അടുത്തിടെ ഇന്റൽ ബ്ലോഗ് പോസ്റ്റുകൾ, മെഷീൻ ലേണിംഗിനായി സമർപ്പിച്ചിരിക്കുന്നു, ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്‌വർക്കുകളുടെ മേഖലയിലെ ഗവേഷണം എങ്ങനെ ആരംഭിച്ചുവെന്ന് വിവരിക്കുന്നു. ഡേവിഡ് എബി മില്ലറും മൈക്കൽ റെക്കും ചേർന്ന് നടത്തിയ ഗവേഷണം തെളിയിക്കുന്നത്, മാക്-സെഹൻഡർ ഇന്റർഫെറോമീറ്റർ (MZI) എന്നറിയപ്പെടുന്ന ഒരു തരം ഫോട്ടോണിക് സർക്യൂട്ട് വലിയ മാട്രിക്സുകളെ ഗുണിക്കുന്നതിനായി ഒരു ത്രികോണ മെഷിൽ MZI സ്ഥാപിക്കുമ്പോൾ 2 × 2 മാട്രിക്സ് ഗുണനം നടത്തുന്നതിന് ക്രമീകരിക്കാം. മെഷീൻ ലേണിംഗിൽ ഉപയോഗിക്കുന്ന അടിസ്ഥാന കണക്കുകൂട്ടൽ മാട്രിക്സ്-വെക്റ്റർ മൾട്ടിപ്ലിക്കേഷൻ അൽഗോരിതം നടപ്പിലാക്കുന്ന ഒരു സർക്യൂട്ട് നേടുക.

നിർമ്മാണ വേളയിൽ ഒപ്റ്റിക്കൽ ചിപ്പുകളുടെ വിവിധ വൈകല്യങ്ങൾ (കമ്പ്യൂട്ടേഷണൽ ഫോട്ടോണിക്സ് പ്രകൃതിയിൽ അനലോഗ് ആയതിനാൽ) ഒരേ തരത്തിലുള്ള വ്യത്യസ്ത ചിപ്പുകൾ തമ്മിലുള്ള കംപ്യൂട്ടേഷണൽ കൃത്യതയിൽ വ്യത്യാസം വരുത്തുമ്പോൾ എന്ത് സംഭവിക്കുമെന്ന് പുതിയ ഇന്റൽ ഗവേഷണം കേന്ദ്രീകരിച്ചു. സമാനമായ പഠനങ്ങൾ നടന്നിട്ടുണ്ടെങ്കിലും, മുൻകാലങ്ങളിൽ, സാധ്യമായ അപാകതകൾ ഇല്ലാതാക്കാൻ അവർ പോസ്റ്റ്-ഫാബ്രിക്കേഷൻ ഒപ്റ്റിമൈസേഷനിൽ കൂടുതൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചു. എന്നാൽ നെറ്റ്‌വർക്കുകൾ വലുതാകുന്നതിനാൽ ഈ സമീപനത്തിന് മോശം സ്കേലബിളിറ്റി ഉണ്ട്, ഇത് ഒപ്റ്റിക്കൽ നെറ്റ്‌വർക്കുകൾ സജ്ജീകരിക്കുന്നതിന് ആവശ്യമായ കമ്പ്യൂട്ടിംഗ് ശക്തിയിൽ വർദ്ധനവിന് കാരണമാകുന്നു. പോസ്റ്റ്-ഫാബ്രിക്കേഷൻ ഒപ്റ്റിമൈസേഷനുപകരം, ശബ്ദ-സഹിഷ്ണുതയുള്ള ആർക്കിടെക്ചർ ഉപയോഗിച്ച് നിർമ്മിക്കുന്നതിന് മുമ്പ് ഇന്റൽ ചിപ്പുകൾ ഒറ്റത്തവണ പരിശീലിപ്പിക്കാൻ പരിഗണിച്ചു. റഫറൻസ് ഒപ്റ്റിക്കൽ ന്യൂറൽ നെറ്റ്‌വർക്ക് ഒരിക്കൽ പരിശീലിപ്പിക്കപ്പെട്ടു, അതിനുശേഷം പരിശീലന പാരാമീറ്ററുകൾ അവയുടെ ഘടകങ്ങളിൽ വ്യത്യാസങ്ങളുള്ള നിരവധി ഫാബ്രിക്കേറ്റഡ് നെറ്റ്‌വർക്ക് സന്ദർഭങ്ങളിൽ വിതരണം ചെയ്തു.

MZI അടിസ്ഥാനമാക്കിയുള്ള ആർട്ടിഫിഷ്യൽ ഇന്റലിജൻസ് സിസ്റ്റങ്ങൾ നിർമ്മിക്കുന്നതിന് ഇന്റൽ ടീം രണ്ട് ആർക്കിടെക്ചറുകൾ പരിഗണിച്ചു: GridNet, FFTNet. GridNet പ്രവചനാതീതമായി MZIകളെ ഒരു ഗ്രിഡിൽ സ്ഥാപിക്കുന്നു, അതേസമയം FFTNet അവയെ ചിത്രശലഭങ്ങളിൽ സ്ഥാപിക്കുന്നു. കൈയക്ഷര അക്ക തിരിച്ചറിയൽ ഡീപ് ലേണിംഗ് ബെഞ്ച്മാർക്ക് ടാസ്‌ക്കിൽ (MNIST) ഒരു സിമുലേഷനിൽ ഇരുവരും പരിശീലിപ്പിച്ച ശേഷം, GridNet FFTNet (98% vs. 95%) എന്നതിനേക്കാൾ ഉയർന്ന കൃത്യത കൈവരിച്ചതായി ഗവേഷകർ കണ്ടെത്തി, എന്നാൽ FFTNet ആർക്കിടെക്ചർ "കാര്യമായി കൂടുതൽ കരുത്തുറ്റതായിരുന്നു". വാസ്തവത്തിൽ, ഗ്രിഡ്‌നെറ്റിന്റെ പ്രകടനം 50% ത്തിൽ താഴെയായി, കൃത്രിമ ശബ്ദം (ഒപ്റ്റിക്കൽ ചിപ്പ് നിർമ്മാണത്തിൽ സാധ്യമായ വൈകല്യങ്ങളെ അനുകരിക്കുന്ന ഇടപെടൽ), FFTNet ന് ഇത് ഏതാണ്ട് സ്ഥിരമായി തുടർന്നു.

തങ്ങളുടെ ഗവേഷണം കൃത്രിമ ബുദ്ധി പരിശീലന രീതികൾക്ക് അടിത്തറ പാകിയതായി ശാസ്ത്രജ്ഞർ പറയുന്നു.

"ഏത് നിർമ്മാണ പ്രക്രിയയിലെന്നപോലെ, ചില വൈകല്യങ്ങൾ സംഭവിക്കും, അതായത് ചിപ്പുകൾക്കിടയിൽ ചെറിയ വ്യത്യാസങ്ങൾ ഉണ്ടാകും, അത് കണക്കുകൂട്ടലുകളുടെ കൃത്യതയെ ബാധിക്കും," Intel AI ഉൽപ്പന്ന ഗ്രൂപ്പിന്റെ മുതിർന്ന ഡയറക്ടർ കാസിമിർ വിയർസിൻസ്കി എഴുതുന്നു. “ഒപ്റ്റിക്കൽ ന്യൂറൽ എന്റിറ്റികൾ AI ഹാർഡ്‌വെയർ ഇക്കോസിസ്റ്റത്തിന്റെ പ്രവർത്തനക്ഷമമായ ഭാഗമാകണമെങ്കിൽ, അവ വലിയ ചിപ്പുകളിലേക്കും വ്യാവസായിക ഉൽപ്പാദന സാങ്കേതികവിദ്യകളിലേക്കും മാറേണ്ടതുണ്ട്. ശരിയായ വാസ്തുവിദ്യ തിരഞ്ഞെടുക്കുന്നത്, ഉൽപ്പാദന വ്യതിയാനങ്ങളുടെ സാന്നിധ്യത്തിൽ പോലും, തത്ഫലമായുണ്ടാകുന്ന ചിപ്പുകൾ ആവശ്യമുള്ള പ്രകടനം കൈവരിക്കാനുള്ള സാധ്യതയെ ഗണ്യമായി വർദ്ധിപ്പിക്കുമെന്ന് ഞങ്ങളുടെ ഗവേഷണം കാണിക്കുന്നു.

ഇന്റൽ പ്രാഥമികമായി ഗവേഷണം നടത്തുന്ന അതേ സമയം, MIT പിഎച്ച്‌ഡി സ്ഥാനാർത്ഥി യിചെൻ ഷെൻ ബോസ്റ്റൺ ആസ്ഥാനമായുള്ള സ്റ്റാർട്ടപ്പ് ലൈറ്റ്‌ടെലിജൻസ് സ്ഥാപിച്ചു, ഇത് വെഞ്ച്വർ ഫണ്ടിംഗിൽ 10,7 മില്യൺ ഡോളർ സമാഹരിച്ചു. അടുത്തിടെ പ്രദർശിപ്പിച്ചു ആധുനിക ഇലക്ട്രോണിക് ചിപ്പുകളേക്കാൾ 100 മടങ്ങ് വേഗതയുള്ള മെഷീൻ ലേണിംഗിനുള്ള ഒരു പ്രോട്ടോടൈപ്പ് ഒപ്റ്റിക്കൽ ചിപ്പ്, കൂടാതെ ഫോട്ടോണിക്ക് സാങ്കേതികവിദ്യകളുടെ വാഗ്ദാനത്തെ ഒരിക്കൽ കൂടി വ്യക്തമായി പ്രകടമാക്കുന്ന മാഗ്നിറ്റ്യൂഡ് ക്രമത്തിൽ വൈദ്യുതി ഉപഭോഗം കുറയ്ക്കുകയും ചെയ്യുന്നു.

അവലംബം: 3dnews.ru