Photonic ပေါင်းစည်းထားသော ဆားကစ်များ သို့မဟုတ် optical ချစ်ပ်များသည် ပါဝါသုံးစွဲမှု လျှော့ချခြင်းနှင့် တွက်ချက်မှုတွင် latency လျှော့ချခြင်းကဲ့သို့သော ၎င်းတို့၏ အီလက်ထရွန်နစ် အစိတ်အပိုင်းများထက် အားသာချက်များစွာကို ပေးဆောင်နိုင်ချေရှိသည်။ ထို့ကြောင့် သုတေသီအများအပြားက ၎င်းတို့သည် စက်သင်ယူမှုနှင့် ဉာဏ်ရည်တု (AI) လုပ်ငန်းဆောင်တာများတွင် အလွန်ထိရောက်သည်ဟု ယုံကြည်ကြသည်။ Intel သည် ဤဦးတည်ချက်တွင် ဆီလီကွန်ဖိုနစ်များကို အသုံးပြုခြင်းအတွက် အလားအလာကောင်းများကို မြင်သည်။ သူမ၏သုတေသနအဖွဲ့အတွက်
မကြာသေးမီက
Intel ၏ သုတေသနအသစ်သည် ထုတ်လုပ်စဉ်အတွင်း optical ချစ်ပ်များကို အမျိုးမျိုးသော ချို့ယွင်းချက်များ ဖြစ်ပေါ်နိုင်သည် (ကွန်ပျူတာပုံသဏ္ဌာန်တွင် အန်နာလိုဖြစ်သောကြောင့်) အမျိုးအစားတူ ချစ်ပ်များကြားတွင် တွက်ချက်မှုဆိုင်ရာတိကျမှု ကွာခြားချက်များဖြစ်ပေါ်စေသောအခါတွင် Intel ၏ သုတေသနအသစ်ကို အာရုံစိုက်ထားသည်။ အလားတူလေ့လာမှုများကို ပြုလုပ်ခဲ့ကြသော်လည်း၊ ယခင်က ၎င်းတို့သည် ဖြစ်နိုင်ချေရှိသော မှားယွင်းမှုများကို ဖယ်ရှားရန်အတွက် နောက်ပိုင်းတွင် ပြုပြင်ဖန်တီးမှု ပိုကောင်းအောင်ပြုလုပ်ခြင်းအပေါ် ပိုမိုအာရုံစိုက်ခဲ့ကြသည်။ သို့သော် ကွန်ရက်များ ပိုကြီးလာသဖြင့် optical network များကို တပ်ဆင်ရန် လိုအပ်သော ကွန်ပြူတာ ပါဝါ တိုးလာခြင်းကြောင့် ဤချဉ်းကပ်မှုတွင် အရွယ်အစား သေးငယ်ပါသည်။ ဆူညံသံဒဏ်ခံနိုင်သော ဗိသုကာပညာကို အသုံးပြု၍ မထုတ်လုပ်မီ Intel သည် လေ့ကျင့်ရေး ချစ်ပ်များကို တစ်ကြိမ်တည်း ထည့်သွင်းစဉ်းစားသည် ။ ရည်ညွှန်း optical neural network ကို တစ်ကြိမ်လေ့ကျင့်သင်ကြားခဲ့ပြီး၊ ထို့နောက် လေ့ကျင့်မှုဘောင်များကို ၎င်းတို့၏ အစိတ်အပိုင်းများတွင် ကွဲပြားမှုများဖြင့် ဖန်တီးထားသော network instance အများအပြားတွင် ဖြန့်ဝေခဲ့သည်။
Intel အဖွဲ့သည် MZI- GridNet နှင့် FFTNet ကိုအခြေခံ၍ ဥာဏ်ရည်တုစနစ်များတည်ဆောက်ရန်အတွက် ဗိသုကာနှစ်ခုကို ထည့်သွင်းစဉ်းစားခဲ့သည်။ GridNet သည် MZI များကို ဇယားကွက်တစ်ခုတွင် ခန့်မှန်းနိုင်ပြီး FFTNet သည် ၎င်းတို့အား လိပ်ပြာများတွင် နေရာချထားသည်။ လက်ရေးဂဏန်းအသိအမှတ်ပြုမှုဆိုင်ရာ နက်နဲသောသင်ယူမှုစံနှုန်းတာဝန် (MNIST) တွင် လေ့ကျင့်မှုနှစ်ခုစလုံးကို လေ့ကျင့်ပြီးနောက် GridNet သည် FFTNet (98% နှင့် 95%) ထက် ပိုမိုတိကျမှုကို ရရှိခဲ့ကြောင်း သုတေသီများက တွေ့ရှိခဲ့သော်လည်း FFTNet ဗိသုကာလက်ရာသည် "သိသိသာသာ ပိုအားကောင်းသည်" ဟု တွေ့ရှိခဲ့သည်။ တကယ်တော့၊ GridNet ၏ စွမ်းဆောင်ရည်သည် အတုဆူညံသံ (optical chip ထုတ်လုပ်မှုတွင် ဖြစ်နိုင်ခြေရှိသော ချို့ယွင်းချက်များကို အတုယူသည့် နှောင့်ယှက်မှု) ၏ 50% အောက်တွင် ကျဆင်းသွားခဲ့ပြီး FFTNet အတွက် ၎င်းသည် အမြဲတမ်းနီးပါး ရှိနေပါသည်။
၎င်းတို့၏ သုတေသနပြုမှုသည် တန်ဖိုးကြီးသော အချိန်နှင့် အရင်းအမြစ်များကို သက်သာစေပြီး ၎င်းတို့ထုတ်လုပ်ပြီးနောက် optical ချစ်ပ်များကို ကောင်းစွာချိန်ညှိရန် လိုအပ်မှုကို ဖယ်ရှားနိုင်သည့် ဉာဏ်ရည်တုလေ့ကျင့်ရေးနည်းလမ်းများအတွက် အခြေခံအုတ်မြစ်ဖြစ်ကြောင်း သိပ္ပံပညာရှင်များက ပြောကြားခဲ့သည်။
"မည်သည့်ကုန်ထုတ်လုပ်မှုလုပ်ငန်းမဆိုကဲ့သို့ပင်၊ အချို့သောချို့ယွင်းချက်များသည် တွက်ချက်မှုများ၏တိကျမှုကိုအကျိုးသက်ရောက်စေမည့် ချစ်ပ်များကြားတွင် ကွဲလွဲမှုအနည်းငယ်ရှိလိမ့်မည်" ဟု Intel AI Product Group ၏အကြီးတန်းဒါရိုက်တာ Casimir Wierzynski ကရေးသားခဲ့သည်။ “အကယ်၍ optical neural entities များသည် AI ဟာ့ဒ်ဝဲ ဂေဟစနစ်၏ အလားအလာရှိသော အစိတ်အပိုင်းတစ်ခု ဖြစ်လာပါက၊ ၎င်းတို့သည် ပိုမိုကြီးမားသော ချစ်ပ်များနှင့် စက်မှုကုန်ထုတ်နည်းပညာများဆီသို့ ပြောင်းရွှေ့ရန် လိုအပ်မည်ဖြစ်ပါသည်။ ကျွန်ုပ်တို့၏သုတေသနပြုချက်များအရ မှန်ကန်သောဗိသုကာပညာကိုရွေးချယ်ခြင်းသည် ထုတ်လုပ်မှုပုံစံကွဲများရှိနေချိန်၌ပင် ထွက်ပေါ်လာသောချစ်ပ်များသည် လိုချင်သောစွမ်းဆောင်ရည်ကိုရရှိစေမည့်အလားအလာကို သိသိသာသာတိုးမြင့်စေနိုင်သည်ဟု ကျွန်ုပ်တို့၏သုတေသနပြုချက်မှပြသသည်။
Intel သည် သုတေသနကို အဓိကလုပ်ဆောင်နေချိန်တွင် MIT PhD ကိုယ်စားလှယ် Yichen Shen သည် Boston အခြေစိုက် startup Lightelligence ကို တည်ထောင်ခဲ့ပြီး အကျိုးတူရန်ပုံငွေအတွက် ဒေါ်လာ 10,7 သန်းနှင့်
source: 3dnews.ru