Intel अधिक कुशल AI को लागी अप्टिकल चिप्स मा काम गरिरहेको छ

फोटोनिक एकीकृत सर्किटहरू, वा अप्टिकल चिपहरू, सम्भावित रूपमा तिनीहरूको इलेक्ट्रोनिक समकक्षहरूमा धेरै फाइदाहरू प्रदान गर्दछ, जस्तै कम पावर खपत र गणनामा कम विलम्बता। यसैले धेरै शोधकर्ताहरूले विश्वास गर्छन् कि तिनीहरू मेसिन लर्निङ र कृत्रिम बुद्धिमत्ता (AI) कार्यहरूमा अत्यन्त प्रभावकारी हुन सक्छन्। इंटेलले यस दिशामा सिलिकन फोटोनिक्सको प्रयोगको लागि ठूलो सम्भावनाहरू पनि देख्छ। उनको अनुसन्धान टोली मा वैज्ञानिक लेख विस्तृत नयाँ प्रविधिहरू जसले अप्टिकल न्यूरल नेटवर्कहरूलाई वास्तविकताको नजिक ल्याउन सक्छ।

हालैमा इंटेल ब्लग पोष्टहरूमेसिन लर्निङमा समर्पित, अप्टिकल न्यूरल नेटवर्कको क्षेत्रमा अनुसन्धान कसरी सुरु भयो भनेर वर्णन गर्दछ। डेभिड एबी मिलर र माइकल रेकले गरेको अनुसन्धानले देखाएको छ कि म्याच-जेन्डर इन्टरफेरोमिटर (MZI) भनेर चिनिने फोटोनिक सर्किटको प्रकारलाई 2 × 2 म्याट्रिक्स गुणन गर्नको लागि कन्फिगर गर्न सकिन्छ जब MZI लाई ठूला म्याट्रिक्सहरू गुणन गर्न त्रिकोणीय जालमा राखिएको छ। म्याट्रिक्स-भेक्टर गुणन एल्गोरिदम लागू गर्ने सर्किट प्राप्त गर्नुहोस्, मेसिन लर्निङमा प्रयोग हुने आधारभूत गणना।

नयाँ इंटेल अनुसन्धानले के हुन्छ भन्ने कुरामा केन्द्रित थियो जब विभिन्न दोषहरू जुन अप्टिकल चिपहरू निर्माणको क्रममा संवेदनशील हुन्छन् (कम्प्युटेसनल फोटोनिक्स प्रकृतिमा एनालग भएका कारणले) एउटै प्रकारका विभिन्न चिपहरू बीच कम्प्युटेशनल शुद्धतामा भिन्नता उत्पन्न हुन्छ। यद्यपि समान अध्ययनहरू सञ्चालन गरिएका छन्, विगतमा तिनीहरूले सम्भावित अशुद्धताहरू हटाउन पोस्ट-फेब्रिकेशन अनुकूलनमा बढी ध्यान केन्द्रित गरे। तर यस दृष्टिकोणमा कमजोर स्केलेबिलिटी छ किनकि नेटवर्कहरू ठूला हुन्छन्, परिणामस्वरूप अप्टिकल सञ्जालहरू सेटअप गर्न आवश्यक कम्प्युटिङ पावरमा वृद्धि हुन्छ। पोस्ट-फेब्रिकेसन अप्टिमाइजेसनको सट्टा, इंटेलले एक पटक शोर-सहिष्णु वास्तुकला प्रयोग गरेर निर्माण गर्नु अघि प्रशिक्षण चिपहरू विचार गर्‍यो। सन्दर्भ अप्टिकल न्यूरल सञ्जाल एक पटक प्रशिक्षित गरिएको थियो, त्यसपछि प्रशिक्षण प्यारामिटरहरू तिनीहरूका घटकहरूमा भिन्नताहरूसँग धेरै निर्मित नेटवर्क उदाहरणहरूमा वितरित गरियो।

इंटेल टोलीले MZI मा आधारित कृत्रिम बुद्धिमत्ता प्रणालीहरू निर्माण गर्न दुई वास्तुकलाहरू विचार गर्‍यो: GridNet र FFTNet। GridNet अनुमानित रूपमा MZI लाई ग्रिडमा राख्छ, जबकि FFTNet ले तिनीहरूलाई पुतलीहरूमा राख्छ। हस्तलिखित अंक पहिचान डीप लर्निङ बेन्चमार्क टास्क (MNIST) मा दुवैलाई सिमुलेशनमा तालिम दिएपछि, अन्वेषकहरूले पत्ता लगाए कि ग्रिडनेटले FFTNet (९८% बनाम ९५%) भन्दा उच्च शुद्धता हासिल गरेको छ, तर FFTNet वास्तुकला "उल्लेखनीय रूपमा बढी बलियो" थियो। वास्तवमा, ग्रिडनेटको कार्यसम्पादन कृत्रिम आवाज (अप्टिकल चिप निर्माणमा सम्भावित दोषहरूको नक्कल गर्ने हस्तक्षेप) को साथमा 98% भन्दा तल झर्यो, जबकि FFTNet को लागि यो लगभग स्थिर रह्यो।

वैज्ञानिकहरू भन्छन् कि तिनीहरूको अनुसन्धानले कृत्रिम बुद्धिमत्ता प्रशिक्षण विधिहरूको लागि जग राख्छ जसले अप्टिकल चिपहरू उत्पादन गरिसकेपछि फाइन-ट्यून गर्ने आवश्यकतालाई हटाउन सक्छ, बहुमूल्य समय र स्रोतहरू बचत गर्दछ।

"कुनै पनि निर्माण प्रक्रियामा जस्तै, केहि दोषहरू देखा पर्नेछन् जसको मतलब चिपहरू बीचको सानो भिन्नता हुनेछ जसले गणनाको शुद्धतालाई असर गर्नेछ," इंटेल एआई उत्पादन समूहका वरिष्ठ निर्देशक कासिमिर विरजिन्स्की लेख्छन्। "यदि अप्टिकल न्यूरल संस्थाहरू AI हार्डवेयर इकोसिस्टमको एक व्यवहार्य भाग बन्न चाहन्छन् भने, तिनीहरूले ठूला चिप्स र औद्योगिक उत्पादन प्रविधिहरूमा जान आवश्यक हुनेछ। हाम्रो अनुसन्धानले देखाउँछ कि अगाडि सही वास्तुकला छनोट गर्नाले उत्पादन भिन्नताहरूको उपस्थितिमा पनि नतिजा चिपहरूले इच्छित कार्यसम्पादन हासिल गर्ने सम्भावनालाई उल्लेखनीय रूपमा बढाउन सक्छ।"

एकै समयमा जब इंटेलले मुख्य रूपमा अनुसन्धान गरिरहेको छ, एमआईटी पीएचडी उम्मेद्वार यिचेन शेनले बोस्टन-आधारित स्टार्टअप लाइटटेलिजेन्सको स्थापना गरे, जसले उद्यम कोषमा $ 10,7 मिलियन उठाएको छ र हालै प्रदर्शन गरेको छ मेसिन लर्निङको लागि प्रोटोटाइप अप्टिकल चिप जुन आधुनिक इलेक्ट्रोनिक चिपहरू भन्दा १०० गुणा छिटो छ र यसले म्याग्निच्युडको अर्डरद्वारा बिजुली खपत पनि घटाउँछ, जसले फोटोनिक टेक्नोलोजीहरूको प्रतिज्ञालाई फेरि स्पष्ट रूपमा देखाउँछ।

स्रोत: 3dnews.ru