Фотоник нэгдсэн хэлхээ буюу оптик чипүүд нь цахилгаан зарцуулалтыг бууруулж, тооцооллын хоцролтыг багасгах гэх мэт олон давуу талтай байдаг. Тийм ч учраас олон судлаачид эдгээр нь машин сурах болон хиймэл оюун ухааны (AI) даалгавруудад маш үр дүнтэй байж чадна гэж үздэг. Intel мөн энэ чиглэлд цахиурын фотоникийг ашиглах гайхалтай хэтийн төлөвийг харж байна. Түүний судалгааны баг оптик мэдрэлийн сүлжээг бодит байдалд нэг алхам ойртуулж болох дэлгэрэнгүй шинэ техникүүд.
Саяхан , машин сурахад зориулагдсан, оптик мэдрэлийн сүлжээний чиглэлээр судалгаа хэрхэн эхэлсэн талаар тайлбарласан. Дэвид А.Б.Миллер, Майкл Рек нарын хийсэн судалгаагаар Мах-Зехдер интерферометр (MZI) гэгддэг фотоник хэлхээг том матрицуудыг үржүүлэх гурвалжин торон дээр MZI-ийг байрлуулахад 2х2 матрицын үржүүлэх үйлдлийг гүйцэтгэхээр тохируулж болохыг харуулсан. Машины сургалтанд ашигладаг үндсэн тооцоо болох матриц-векторын үржүүлэх алгоритмыг хэрэгжүүлэх схемийг олж авах.
Intel-ийн шинэ судалгаа нь үйлдвэрлэлийн явцад оптик чипүүдэд өртөмтгий байдаг янз бүрийн согогууд (тооцооллын фотоник нь аналог шинж чанартай байдаг тул) ижил төрлийн өөр өөр чипүүдийн хоорондох тооцооллын нарийвчлалын ялгааг үүсгэдэг тохиолдолд юу болох талаар голчлон анхаарсан. Хэдийгээр үүнтэй төстэй судалгаанууд хийгдсэн боловч өнгөрсөн хугацаанд алдаа дутагдлыг арилгахын тулд үйлдвэрлэлийн дараах оновчлолд илүү анхаарч байсан. Гэхдээ энэ арга нь сүлжээ томрох тусам өргөтгөх чадвар муутай тул оптик сүлжээг бий болгоход шаардагдах тооцоолох хүчин чадал нэмэгддэг. Үйлдвэрлэлийн дараах оновчлолын оронд Intel нь дуу чимээг тэсвэрлэх чадвартай архитектур ашиглан чипүүдийг үйлдвэрлэхээсээ өмнө нэг удаа сургах талаар авч үзсэн. Лавлагаа оптик мэдрэлийн сүлжээг нэг удаа сургасны дараа сургалтын параметрүүдийг бүрэлдэхүүн хэсгүүдийн ялгаа бүхий хэд хэдэн зохиомол сүлжээний жишээнүүдэд тараасан.
Intel-ийн баг MZI дээр суурилсан хиймэл оюун ухааны системийг бий болгох хоёр архитектурыг авч үзсэн: GridNet болон FFTNet. GridNet нь MZI-г сүлжээнд байрлуулдаг бол FFTNet тэдгээрийг эрвээхэй хэлбэрээр байрлуулдаг. Гар бичмэл цифрийг таних гүнзгий суралцах жишиг даалгаврын (MNIST) загварчлалд хоёуланг нь сургасны дараа судлаачид GridNet нь FFTNet-ээс өндөр нарийвчлалтай (98% -ийн эсрэг 95%), харин FFTNet-ийн архитектур нь "илүү бат бөх" болохыг олж мэдэв. Үнэн хэрэгтээ, GridNet-ийн гүйцэтгэл хиймэл дуу чимээ (оптик чип үйлдвэрлэхэд гарч болзошгүй согогийг дуурайдаг хөндлөнгийн оролцоо) нэмснээр 50% -иас доош буурсан бол FFTNet-ийн хувьд энэ нь бараг тогтмол хэвээр байв.
Эрдэмтдийн үзэж байгаагаар тэдний судалгаа нь хиймэл оюун ухааны сургалтын аргуудын үндэс суурийг тавьж, оптик чипийг үйлдвэрлэсний дараа нарийн тааруулж, үнэ цэнэтэй цаг хугацаа, нөөцийг хэмнэдэг.
"Үйлдвэрлэлийн аливаа үйл явцын нэгэн адил тодорхой согогууд гарч ирэх бөгөөд энэ нь тооцооллын нарийвчлалд нөлөөлөх чипүүдийн хооронд бага зэргийн ялгаа гарах болно" гэж Intel AI бүтээгдэхүүний группын ахлах захирал Касимир Виержински бичжээ. "Хэрэв оптик мэдрэлийн нэгжүүд хиймэл оюун ухааны техник хангамжийн экосистемийн амьдрах чадвартай хэсэг болох юм бол тэд илүү том чип, үйлдвэрлэлийн технологид шилжих шаардлагатай болно. Бидний судалгаагаар зөв архитектурыг сонгох нь үйлдвэрлэлийн өөрчлөлттэй байсан ч үүссэн чипүүд хүссэн гүйцэтгэлд хүрэх магадлалыг эрс нэмэгдүүлдэг болохыг харуулж байна.
Intel нь үндсэндээ судалгаа хийж байгаа энэ үед MIT-ийн докторын нэр дэвшигч Ичен Шен Бостонд төвтэй Lightelligence стартапыг үүсгэн байгуулж, венчурын санхүүжилт болон 10,7 сая долларын санхүүжилт босгожээ. Орчин үеийн цахим чипээс 100 дахин хурдан, мөн эрчим хүчний хэрэглээг тодорхой хэмжээгээр бууруулдаг машин сургалтын оптик чип нь фотоник технологийн амлалтыг дахин тод харуулж байна.
Эх сурвалж: 3dnews.ru