Circuitele integrate fotonice sau cipurile optice au potențialul de a oferi numeroase avantaje în comparație cu omologii lor electronici, cum ar fi reducerea consumului de energie și diminuarea întârzierei în calcule. De aceea, mulți cercetători consideră că acestea ar putea fi extrem de eficiente în sarcinile de învățare automată și în crearea inteligenței artificiale (IA). Compania Intel vede, de asemenea, perspective mari pentru aplicarea fotonicii silice în acest domeniu. Grupul de cercetare al acesteia în a descris detaliat noi metode care pot aduce rețele neuronale optice cu un pas mai aproape de realitate.
În recentul , dedicată învățării automate, se discută despre cum au început cercetările în domeniul rețelelor neuronale optice. Lucrările științifice ale lui David Miller și Michael Reck au demonstrat că un tip de circuit fotonic, cunoscut sub numele de interferometru Mach-Zehnder (MZI), poate fi configurat pentru a efectua înmulțirea matricelor de dimensiune 2 × 2, iar dacă se plasează MZI-ul într-o rețea triangulară pentru a înmulți matrice mari, se poate obține un circuit care realizează algoritmul de înmulțire a unei matrici cu un vector - calculul de bază utilizat în învățarea automată.
O nouă cercetare Intel s-a concentrat pe studierea defectelor ce afectează cipurile optice în timpul producției (deoarece fotonica computațională este, prin natura sa, analogică), care cauzează variații în precizia calculului între diferite cipuri de același tip. Deși studii similare au fost realizate anterior, acestea s-au concentrat mai mult pe optimizarea post-producție pentru a remedia posibilele inexactități. Totuși, această abordare are o scalabilitate slabă, deoarece rețelele devin din ce în ce mai mari, ceea ce duce la o creștere a puterii computaționale necesare pentru ajustarea rețelelor optice. În loc de optimizarea post-producție, Intel a analizat posibilitatea unui antrenament unic al cipurilor înainte de fabricație, folosind o arhitectură rezistentă la perturbări. O rețea neuronală optică de bază a fost antrenată odată, după care parametrii de învățare au fost distribuiți pe mai multe exemple fabricate ale rețelei, cu diferențe în componentele lor.
Echipa Intel a analizat două arhitecturi pentru construirea sistemelor de inteligență artificială bazate pe MZI: GridNet și FFTNet. GridNet plasează predictibil MZI într-o rețea, în timp ce FFTNet le aranjează sub formă de „fluturi”. După antrenamentul ambelor arhitecturi în modelarea unei sarcini de bază în învățarea profundă pentru recunoașterea cifrelor scrise de mână (MNIST), cercetătorii au descoperit că GridNet a atins o precizie mai mare decât FFTNet (98% față de 95%), dar arhitectura FFTNet s-a dovedit a fi „considerabil mai robustă”. De fapt, performanța GridNet a scăzut sub 50% în condiții de adăugare a zgomotului artificial (perturbări care imită posibilele defecte în producția cipurilor optice), în timp ce pentru FFTNet a rămas aproape constantă.
Cercetătorii afirmă că studiile lor pun bazele unor metode de învățare a inteligenței artificiale care vor elimina necesitatea ajustării fine a cipurilor optice după fabricație, economisind timp și resurse prețioase.
„Așa cum se întâmplă în orice proces de producție, apar anumite defecte, care înseamnă că între cipuri vor exista mici diferențe, iar acestea vor influența acuratețea calculului”, a declarat Kazimir Wierzynski, director senior al grupului de produse Intel AI. „Dacă neuronii optici devin o parte viabilă a ecosistemului hardware pentru inteligența artificială, va trebui să treacă la cipuri mai mari și tehnologii de producție industrială. Cercetările noastre arată că alegerea arhitecturii corecte din timp poate crește semnificativ probabilitatea ca cipurile obținute să atingă performanța dorită, chiar și în condițiile unor variații de producție.”
În același timp, în timp ce Intel își desfășoară în principal cercetările, Yichen Shen, candidat la titlul de doctor în științe fizico-matematice de la Institutul Tehnologic din Massachusetts, a fondat startup-ul Lightelligence, cu sediul în Boston, care a atras un capital de risc de 10,7 milioane de dolari, și un prototip de cip optic pentru învățare automată, care este de 100 de ori mai rapid decât cipurile electronice actuale și reduce, de asemenea, consumul de energie cu un ordinar, ceea ce demonstrează încă o dată perspectivele tehnologiilor fotonice.
Sursa: 3dnews.ru
