Circuitos fotônicos integrados ou chips ópticos possuem potencialmente várias vantagens em comparação com seus equivalentes eletrônicos, como a redução do consumo de energia e a diminuição da latência em cálculos. É por isso que muitos pesquisadores acreditam que eles podem ser extremamente eficazes em tarefas de aprendizado de máquina e na criação de inteligência artificial (IA). A Intel também vê grandes perspectivas para a aplicação da fotônica silícica nessa direção. O grupo de seus pesquisadores em detalhou novos métodos que podem aproximar as redes neurais ópticas de se tornarem realidade.
Em uma recente , dedicada ao aprendizado de máquina, é discutido como as pesquisas em redes neurais ópticas tiveram início. Trabalhos científicos de David Miller e Michael Reck demonstraram que um tipo de circuito fotônico conhecido como interferômetro de Mach-Zehnder (MZI) pode ser configurado para executar multiplicação de matrizes 2 × 2; ao dispor os MZIs em uma rede triangular para multiplicar matrizes maiores, é possível obter um circuito que implementa o algoritmo de multiplicação de matriz por vetor — um cálculo fundamental utilizado em aprendizado de máquina.
Um novo estudo da Intel se concentrou em investigar o que acontece ao surgirem diferentes defeitos que afetam os chips ópticos durante a fabricação (uma vez que a fotônica computacional é análoga por natureza), causando diferenças na precisão dos cálculos entre diferentes chips do mesmo tipo. Embora esses tipos de estudos já tenham sido realizados anteriormente, no passado eles foram mais focados na otimização pós-fabricação para eliminar possíveis imprecisões. No entanto, essa abordagem tem uma escalabilidade limitada, já que as redes estão se tornando cada vez maiores, o que leva a um aumento da potência computacional necessária para ajustar as redes ópticas. Em vez de otimizar após a fabricação, a Intel considerou a possibilidade de um treinamento único dos chips antes da produção por meio do uso de uma arquitetura resistente a interferências. Uma rede neural óptica de referência foi treinada uma vez, após a qual os parâmetros de aprendizado foram distribuídos entre várias instâncias fabricadas da rede com diferenças em seus componentes.
A equipe da Intel analisou duas arquiteturas para construir sistemas de inteligência artificial baseados em MZI: GridNet e FFTNet. O GridNet posiciona previsivelmente os MZI em uma grade, enquanto o FFTNet os posiciona em forma de 'borboletas'. Após o treinamento de ambas em simulações em uma tarefa de referência de aprendizado profundo para reconhecimento de dígitos manuscritos (MNIST), os pesquisadores descobriram que o GridNet alcançou uma precisão maior do que o FFTNet (98% contra 95%), mas, por outro lado, a arquitetura FFTNet se mostrou 'significativamente mais confiável'. De fato, o desempenho do GridNet caiu abaixo de 50% com a adição de ruído artificial (interferências que simulam possíveis defeitos na fabricação de chips ópticos), enquanto para o FFTNet permaneceu quase constante.
Cientistas afirmam que suas pesquisas estabelecem as bases para métodos de aprendizado de inteligência artificial que eliminarão a necessidade de ajuste fino dos chips ópticos após a produção, economizando tempo e recursos preciosos.
«Assim como em qualquer processo de produção, há certos defeitos que significam que haverá pequenas variações entre os chips, e elas afetarão a precisão dos cálculos», afirma Kazimir Wierzynski, diretor sênior de produtos da Intel AI. «Se as neuromórficas ópticas se tornarem uma parte viável do ecossistema de hardware da inteligência artificial, elas precisarão evoluir para chips maiores e tecnologias de produção em massa. Nossas pesquisas mostram que escolher a arquitetura certa desde o início pode aumentar significativamente a probabilidade de que os chips produzidos alcancem o desempenho desejado mesmo com variações na produção.»
Ao mesmo tempo, enquanto a Intel está principalmente focada em pesquisa, o candidato a doutorado do MIT, Yichen Shen, fundou a startup Lightelligence, baseada em Boston, que atraiu financiamento de risco no valor de 10,7 milhões de dólares e um protótipo de chip óptico para aprendizado de máquina que é 100 vezes mais rápido do que os chips eletrônicos modernos, além de reduzir significativamente o consumo de energia, o que mais uma vez ilustra as perspectivas das tecnologias fotônicas.
Fonte: 3dnews.ru
