Fotonyczne układy scalone lub chipy optyczne mają potencjalnie wiele zalet w porównaniu do ich elektronicznych odpowiedników, takich jak zmniejszone zużycie energii i obniżenie opóźnienia obliczeniowego. Dlatego wielu badaczy uważa, że mogą okazać się niezwykle skuteczne w zadaniach uczenia maszynowego i tworzenia sztucznej inteligencji (AI). Firma Intel również dostrzega duże możliwości zastosowania fotoniki krzemowej w tym kierunku. Grupa jej badaczy w szczegółowo opisuje nowe metody, które mogą przybliżyć optyczne sieci neuronowe o krok bliżej do rzeczywistości.
W niedawnej , poświęconej uczeniu maszynowemu, opisano, jak rozpoczęły się badania nad optycznymi sieciami neuronowymi. Prace naukowe Davida Millera (David A. B. Miller) i Michaela Recka (Michael Reck) wykazały, że rodzaj fotonowego układu znany jako interferometr Mach-Zehndera (MZI) może być skonfigurowany do wykonywania mnożenia macierzy o wymiarach 2 × 2, przy czym umieszczając MZI w trójkątnej siatce do mnożenia większych macierzy, można uzyskać układ implementujący algorytm mnożenia macierzy przez wektor — podstawowe obliczenie używane w uczeniu maszynowym.
Nowe badanie Intel skupiło się na analizie tego, co dzieje się, gdy pojawiają się różne defekty, na które narażone są optyczne chipy podczas produkcji (ponieważ obliczeniowa fotonika jest z natury analogowa), co prowadzi do różnic w precyzji obliczeń pomiędzy różnymi chipami tego samego typu. Chociaż podobne badania były już prowadzone, w przeszłości koncentrowano się głównie na optymalizacji po produkcji w celu wyeliminowania ewentualnych nieścisłości. Jednak takie podejście ma słabą skalowalność, ponieważ sieci stają się coraz większe, co prowadzi do wzrostu mocy obliczeniowej potrzebnej do regulacji optycznych sieci. Zamiast optymalizacji po produkcji, Intel rozważył możliwość jednorazowego szkolenia chipów przed produkcją dzięki zastosowaniu architektury odpornej na zakłócenia. Referencyjna optyczna sieć neuronowa została wytrenowana jednorazowo, a następnie parametry nauki zostały rozdzielone na kilka wytworzonych egzemplarzy sieci z różnicami w ich komponentach.
Zespół Intel rozważył dwie architektury do budowy systemów sztucznej inteligencji opartych na MZI: GridNet i FFTNet. GridNet przewidywalnie umieszcza MZI w siatce, podczas gdy FFTNet umieszcza je w formie „motyli”. Po przeszkoleniu obu w modelowaniu na standardowym zadaniu głębokiego uczenia rozpoznawania ręcznie pisanych cyfr (MNIST), badacze odkryli, że GridNet osiągnął wyższą dokładność niż FFTNet (98% do 95%), ale architektura FFTNet okazała się „znacząco bardziej niezawodna”. W rzeczywistości wydajność GridNet spadła poniżej 50% po dodaniu sztucznego hałasu (zakłóceń imitujących możliwe defekty w produkcji optycznych chipów), podczas gdy dla FFTNet pozostała niemal stała.
Naukowcy twierdzą, że ich badania kładą podwaliny pod metody uczenia sztucznej inteligencji, które pomogą wyeliminować konieczność drobnej regulacji optycznych chipów po ich produkcji, oszczędzając cenny czas i zasoby.
„Jak w każdym procesie produkcyjnym, pojawiają się pewne defekty, które oznaczają, że między układami scalonymi będą niewielkie różnice, co wpłynie na dokładność obliczeń” — mówi Kazimir Wierzynski, starszy dyrektor grupy produktów Intel AI. „Jeśli optyczne neurony staną się wiarygodną częścią sprzętowego ekosystemu sztucznej inteligencji, będą musiały przejść na większe układy scalone oraz technologie produkcji przemysłowej. Nasze badania pokazują, że wcześniejszy wybór odpowiedniej architektury może znacznie zwiększyć prawdopodobieństwo, że uzyskane układy scalone osiągną pożądane parametry wydajności, nawet przy występowaniu wariacji produkcyjnych.”
Jednocześnie, podczas gdy Intel głównie prowadzi badania, kandydat nauk fizycznych z Massachusetts Institute of Technology, Yichen Shen, założył startup Lightelligence z siedzibą w Bostonie, który pozyskał finansowanie venture capital w wysokości 10,7 miliona dolarów amerykańskich i prototyp optycznego układu scalonego do uczenia maszynowego, który jest 100 razy szybszy niż współczesne układy elektroniczne, a także znacząco obniża zużycie energii, co jeszcze raz wyraźnie pokazuje możliwości technologii fotonowych.
Źródło: 3dnews.ru
