इंटेल अधिक कार्यक्षम AI साठी ऑप्टिकल चिप्सवर काम करत आहे

फोटोनिक इंटिग्रेटेड सर्किट्स, किंवा ऑप्टिकल चिप्स, संभाव्यतः त्यांच्या इलेक्ट्रॉनिक समकक्षांपेक्षा बरेच फायदे देतात, जसे की कमी वीज वापर आणि गणनेतील विलंब कमी. म्हणूनच अनेक संशोधकांचा असा विश्वास आहे की ते मशीन लर्निंग आणि कृत्रिम बुद्धिमत्ता (AI) कार्यांमध्ये अत्यंत प्रभावी असू शकतात. इंटेलला या दिशेने सिलिकॉन फोटोनिक्सच्या वापरासाठी उत्तम शक्यता देखील दिसते. तिची संशोधन टीम मध्ये वैज्ञानिक लेख तपशीलवार नवीन तंत्रे जी ऑप्टिकल न्यूरल नेटवर्कला वास्तवाच्या एक पाऊल जवळ आणू शकतात.

अलीकडच्या काळात इंटेल ब्लॉग पोस्ट, मशीन लर्निंगला समर्पित, ऑप्टिकल न्यूरल नेटवर्क्सच्या क्षेत्रातील संशोधन कसे सुरू झाले याचे वर्णन करते. डेव्हिड एबी मिलर आणि मायकेल रेक यांच्या संशोधनातून असे दिसून आले आहे की मॅच-झेहेंडर इंटरफेरोमीटर (MZI) म्हणून ओळखल्या जाणार्‍या फोटोनिक सर्किटचा एक प्रकार 2 × 2 मॅट्रिक्स गुणाकार करण्यासाठी कॉन्फिगर केला जाऊ शकतो जेव्हा MZI मोठ्या मॅट्रिक्सचा गुणाकार करण्यासाठी त्रिकोणी जाळीवर ठेवला जातो. मॅट्रिक्स-वेक्टर गुणाकार अल्गोरिदम लागू करणारे सर्किट मिळवा, मशीन लर्निंगमध्ये वापरली जाणारी मूलभूत गणना.

नवीन इंटेल संशोधनामध्ये ऑप्टिकल चिप्स उत्पादनादरम्यान संवेदनाक्षम असलेल्या विविध दोषांमुळे (संगणकीय फोटोनिक्स निसर्गाच्या अनुरूप असल्याने) एकाच प्रकारच्या वेगवेगळ्या चिप्समधील संगणकीय अचूकतेमध्ये फरक निर्माण करतात तेव्हा काय होते यावर लक्ष केंद्रित केले. जरी समान अभ्यास आयोजित केले गेले असले तरी, भूतकाळात त्यांनी संभाव्य अयोग्यता दूर करण्यासाठी पोस्ट-फॅब्रिकेशन ऑप्टिमायझेशनवर अधिक लक्ष केंद्रित केले. परंतु या दृष्टीकोनात खराब स्केलेबिलिटी आहे कारण नेटवर्क्स मोठे होतात, परिणामी ऑप्टिकल नेटवर्क सेट करण्यासाठी आवश्यक संगणकीय शक्ती वाढते. पोस्ट-फॅब्रिकेशन ऑप्टिमायझेशनऐवजी, इंटेलने आवाज-सहिष्णु आर्किटेक्चर वापरून उत्पादन करण्यापूर्वी प्रशिक्षण चिप्सचा एकदाच विचार केला. संदर्भ ऑप्टिकल न्यूरल नेटवर्कला एकदा प्रशिक्षित केले गेले, त्यानंतर प्रशिक्षण पॅरामीटर्स त्यांच्या घटकांमधील फरकांसह अनेक बनावट नेटवर्क उदाहरणांमध्ये वितरित केले गेले.

इंटेल टीमने MZI वर आधारित कृत्रिम बुद्धिमत्ता प्रणाली तयार करण्यासाठी दोन आर्किटेक्चर्सचा विचार केला: GridNet आणि FFTNet. GridNet अंदाजानुसार MZI ला ग्रिडमध्ये ठेवते, तर FFTNet त्यांना फुलपाखरांमध्ये ठेवते. हस्तलिखित अंक ओळख डीप लर्निंग बेंचमार्क टास्क (MNIST) वर सिम्युलेशनमध्ये दोन्ही प्रशिक्षण घेतल्यानंतर, संशोधकांना आढळले की ग्रिडनेटने FFTNet (98% वि. 95%) पेक्षा जास्त अचूकता प्राप्त केली, परंतु FFTNet आर्किटेक्चर "लक्षणीयपणे अधिक मजबूत" होते. खरं तर, ग्रिडनेटची कार्यक्षमता कृत्रिम आवाजाच्या (ऑप्टिकल चिप उत्पादनात संभाव्य दोषांचे अनुकरण करणारा हस्तक्षेप) सोबत ५०% च्या खाली घसरली, तर FFTNet साठी ते जवळजवळ स्थिर राहिले.

शास्त्रज्ञांचे म्हणणे आहे की त्यांच्या संशोधनाने कृत्रिम बुद्धिमत्ता प्रशिक्षण पद्धतींचा पाया घातला आहे ज्यामुळे ऑप्टिकल चिप्स तयार झाल्यानंतर त्यांना फाईन-ट्यून करण्याची गरज दूर होऊ शकते, मौल्यवान वेळ आणि संसाधने वाचतात.

"कोणत्याही उत्पादन प्रक्रियेप्रमाणे, काही दोष उद्भवतील याचा अर्थ चिप्समध्ये लहान फरक असतील ज्यामुळे गणनाच्या अचूकतेवर परिणाम होईल," इंटेल एआय उत्पादन समूहाचे वरिष्ठ संचालक कॅसिमिर विरझिन्स्की लिहितात. “जर ऑप्टिकल न्यूरल घटकांना एआय हार्डवेअर इकोसिस्टमचा एक व्यवहार्य भाग बनवायचे असेल, तर त्यांना मोठ्या चिप्स आणि औद्योगिक उत्पादन तंत्रज्ञानाकडे जावे लागेल. आमचे संशोधन असे दर्शविते की समोर योग्य आर्किटेक्चर निवडल्याने उत्पादनातील फरकांच्या उपस्थितीतही परिणामी चिप्स इच्छित कामगिरी साध्य करतील याची शक्यता लक्षणीयरीत्या वाढवू शकते.”

इंटेल प्रामुख्याने संशोधन करत असताना, एमआयटी पीएचडी उमेदवार यिचेन शेन यांनी बोस्टन-आधारित स्टार्टअप लाइटलिजेन्सची स्थापना केली, ज्याने $10,7 दशलक्ष उपक्रम निधी उभारला आहे आणि अलीकडे प्रात्यक्षिक मशीन लर्निंगसाठी एक प्रोटोटाइप ऑप्टिकल चिप जी आधुनिक इलेक्ट्रॉनिक चिप्सपेक्षा 100 पट वेगवान आहे आणि मॅग्निट्यूडच्या क्रमाने वीज वापर कमी करते, जे पुन्हा एकदा स्पष्टपणे फोटोनिक तंत्रज्ञानाचे वचन दर्शवते.

स्त्रोत: 3dnews.ru