Fotonische geïntegreerde schakelingen, of optische chips, bieden potentieel veel voordelen ten opzichte van hun elektronische tegenhangers, zoals een lager energieverbruik en een kortere latentie bij de berekeningen. Dat is de reden waarom veel onderzoekers geloven dat ze uiterst effectief kunnen zijn in machine learning en kunstmatige intelligentie (AI) taken. Intel ziet ook grote perspectieven voor het gebruik van siliciumfotonica in deze richting. Haar onderzoeksteam in gedetailleerde nieuwe technieken die optische neurale netwerken een stap dichter bij de realiteit kunnen brengen.
in een recente , gewijd aan machine learning, beschrijft hoe onderzoek op het gebied van optische neurale netwerken begon. Onderzoekswerk van David AB Miller en Michael Reck heeft aangetoond dat een type fotonisch circuit dat bekend staat als een Mach-Zehnder-interferometer (MZI) kan worden geconfigureerd om 2 × 2 matrixvermenigvuldiging uit te voeren, en als MZI op een driehoekig gaas wordt geplaatst voor het vermenigvuldigen van grote matrices. , kan men een circuit verkrijgen dat het matrix-vectorvermenigvuldigingsalgoritme implementeert, een basisberekening die wordt gebruikt bij machinaal leren.
Nieuw Intel-onderzoek richtte zich op wat er gebeurt als verschillende defecten waarvoor optische chips gevoelig zijn tijdens de productie (aangezien computationele fotonica analoog van aard is) verschillen in rekennauwkeurigheid veroorzaken tussen verschillende chips van hetzelfde type. Hoewel soortgelijke onderzoeken zijn uitgevoerd, richtten ze zich in het verleden meer op optimalisatie na de fabricage om mogelijke onnauwkeurigheden te elimineren. Maar deze aanpak is slecht schaalbaar naarmate netwerken groter worden, wat resulteert in een toename van de rekenkracht die nodig is om optische netwerken op te zetten. In plaats van optimalisatie na de fabricage overwoog Intel om chips eenmalig te trainen vóór de productie door gebruik te maken van een ruistolerante architectuur. Het optische neurale referentienetwerk werd één keer getraind, waarna de trainingsparameters werden verdeeld over verschillende gefabriceerde netwerkinstanties met verschillen in hun componenten.
Het Intel-team heeft twee architecturen overwogen voor het bouwen van kunstmatige-intelligentiesystemen op basis van MZI: GridNet en FFTNet. GridNet plaatst MZI's voorspelbaar in een raster, terwijl FFTNet ze in vlinders plaatst. Na beide te hebben getraind in een simulatie van de handgeschreven cijferherkenning deep learning benchmark taak (MNIST), ontdekten de onderzoekers dat GridNet een hogere nauwkeurigheid behaalde dan FFTNet (98% versus 95%), maar dat de FFTNet-architectuur “aanzienlijk robuuster” was. In feite daalden de prestaties van GridNet onder de 50% door de toevoeging van kunstmatige ruis (interferentie die mogelijke defecten in de productie van optische chips simuleert), terwijl deze voor FFTNet vrijwel constant bleven.
De wetenschappers zeggen dat hun onderzoek de basis legt voor trainingsmethoden voor kunstmatige intelligentie die de noodzaak zouden kunnen elimineren om optische chips te verfijnen nadat ze zijn geproduceerd, waardoor kostbare tijd en middelen worden bespaard.
“Zoals bij elk productieproces zullen er bepaalde defecten optreden die betekenen dat er kleine verschillen tussen de chips zullen zijn die de nauwkeurigheid van de berekeningen zullen beïnvloeden”, schrijft Casimir Wierzynski, senior directeur van Intel AI Product Group. “Als optische neurale entiteiten een levensvatbaar onderdeel willen worden van het AI-hardware-ecosysteem, zullen ze moeten overstappen op grotere chips en industriële productietechnologieën. Uit ons onderzoek blijkt dat het vooraf kiezen van de juiste architectuur de kans aanzienlijk kan vergroten dat de resulterende chips de gewenste prestaties zullen leveren, zelfs als er sprake is van productievariaties.”
Terwijl Intel voornamelijk onderzoek doet, richtte MIT-promovendus Yichen Shen de in Boston gevestigde startup Lightelligence op, die 10,7 miljoen dollar aan durfkapitaal heeft opgehaald en een prototype van een optische chip voor machinaal leren die 100 keer sneller is dan moderne elektronische chips en ook het energieverbruik met een orde van grootte vermindert, wat eens te meer duidelijk de belofte van fotonische technologieën aantoont.
Bron: 3dnews.ru