فوٽوونڪ انٽيگريٽيڊ سرڪٽس، يا آپٽيڪل چپس، ممڪن طور تي انهن جي برقي هم منصبن تي ڪيترائي فائدا پيش ڪن ٿا، جهڙوڪ گھٽ پاور واپرائڻ ۽ حساب ۾ ويڪرائي گھٽ ڪرڻ. ان ڪري ڪيترن ئي محققن جو خيال آهي ته اهي مشيني سکيا ۽ مصنوعي ذهانت (AI) ڪمن ۾ انتهائي اثرائتو ثابت ٿي سگهن ٿا. Intel پڻ هن هدايت ۾ سلکان فوٽونڪس جي استعمال لاء وڏي امڪان ڏسي ٿو. هن جي تحقيقاتي ٽيم ۾ تفصيلي نيون ٽيڪنالاجيون جيڪي نظرياتي نيورل نيٽ ورڪ کي حقيقت جي ويجهو آڻي سگھن ٿيون.
تازو ۾ مشين لرننگ لاءِ وقف، بيان ڪري ٿو ته نظرياتي نيورل نيٽ ورڪ جي شعبي ۾ تحقيق ڪيئن شروع ٿي. ڊيوڊ اي بي ملر ۽ مائيڪل ريڪ جي تحقيق مان ثابت ٿيو آهي ته هڪ قسم جو فوٽوونڪ سرڪٽ جنهن کي Mach-Zehnder interferometer (MZI) جي نالي سان سڃاتو وڃي ٿو، ان کي 2 × 2 ميٽرڪس ضرب ڪرڻ جي لاءِ ترتيب ڏئي سگهجي ٿو جڏهن MZI کي ٽڪنڊي ميش تي رکيل وڏي ميٽرڪس کي ضرب ڪرڻ لاءِ، هڪ ڪري سگهي ٿو. هڪ سرڪٽ حاصل ڪريو جيڪو ميٽرڪس-ویکٹر ضرب الخوارزمي کي لاڳو ڪري ٿو، هڪ بنيادي حساب ڪتاب جيڪو مشين سکيا ۾ استعمال ٿيندو آهي.
نئين Intel تحقيق تي ڌيان ڏنو ويو ته ڇا ٿئي ٿو جڏهن مختلف خرابيون جيڪي آپٽيڪل چپس جي پيداوار دوران حساس هوندا آهن (جيئن ته ڪمپيوٽيشنل فوٽوونڪس فطرت ۾ اينالاگ آهي) ساڳئي قسم جي مختلف چپس جي وچ ۾ ڪمپيوٽيشنل درستگي ۾ فرق پيدا ڪري ٿي. جيتوڻيڪ ساڳيو مطالعو ڪيو ويو آهي، ماضي ۾ انهن ممڪن غلطين کي ختم ڪرڻ لاء پوسٽ ٺاھڻ جي اصلاح تي وڌيڪ ڌيان ڏنو. پر هن طريقي ۾ خراب اسڪيلبلٽي آهي جيئن نيٽ ورڪ وڏا ٿي ويندا آهن، جنهن جي نتيجي ۾ آپٽيڪل نيٽ ورڪ قائم ڪرڻ لاء گهربل ڪمپيوٽنگ پاور ۾ اضافو ٿيندو. پوسٽ-ٺاهڻ جي اصلاح جي بدران، انٽيل هڪ شور برداشت ڪندڙ فن تعمير کي استعمال ڪندي تيار ڪرڻ کان پهريان هڪ ڀيرو تربيتي چپس تي غور ڪيو. ريفرنس آپٽيڪل نيورل نيٽ ورڪ کي هڪ ڀيرو تربيت ڏني وئي، جنهن کان پوءِ ٽريننگ پيرا ميٽرز کي ورهايو ويو ڪيترن ئي ٺاهيل نيٽ ورڪ مثالن ۾ انهن جي حصن ۾ اختلافن سان.
Intel ٽيم MZI جي بنياد تي مصنوعي ذھني نظام جي تعمير لاء ٻن فن تعمير تي غور ڪيو: GridNet ۽ FFTNet. GridNet اڳڪٿي طور تي MZIs کي گرڊ ۾ رکي ٿو، جڏهن ته FFTNet انهن کي تتلي جي نمونن ۾ رکي ٿو. هٿ سان لکيل انگن اکرن جي سڃاڻپ ڊيپ لرننگ بينچ مارڪ ٽاسڪ (MNIST) تي هڪ تخليق ۾ ٻنهي کي تربيت ڏيڻ کان پوءِ، محقق ڏٺا ته گرڊ نيٽ FFTNet (98% بمقابله 95%) جي ڀيٽ ۾ وڌيڪ درستگي حاصل ڪئي، پر FFTNet آرڪيٽيڪچر ”خاص طور تي وڌيڪ مضبوط“ هو. حقيقت ۾، GridNet جي ڪارڪردگي مصنوعي شور جي اضافي سان 50٪ کان هيٺ ٿي وئي (مداخلت جيڪا آپٽيڪل چپ جي پيداوار ۾ ممڪن خرابين کي نقل ڪري ٿي)، جڏهن ته FFTNet لاء اهو لڳ ڀڳ مسلسل رهي.
سائنسدانن جو چوڻ آهي ته انهن جي تحقيق مصنوعي ذهانت جي تربيت جي طريقن جو بنياد رکي ٿي جيڪي توهان جي پيداوار کان پوءِ آپٽيڪل چپس کي ٺيڪ ڪرڻ جي ضرورت کي ختم ڪري سگهن ٿا، قيمتي وقت ۽ وسيلن جي بچت.
"جيئن ڪنهن به پيداوار جي عمل سان، ڪجهه خرابيون ٿينديون آهن، مطلب ته چپس جي وچ ۾ ننڍا اختلاف هوندا جيڪي حساب جي درستگي تي اثر انداز ڪندا،" Casimir Wierzynski، Intel AI پراڊڪٽ گروپ جي سينئر ڊائريڪٽر لکي ٿو. "جيڪڏهن آپٽيڪل نيورل ادارن کي AI هارڊويئر ايڪو سسٽم جو هڪ قابل عمل حصو بنائڻو آهي، انهن کي وڏي چپس ۽ صنعتي پيداوار ٽيڪنالاجيز ڏانهن منتقل ڪرڻو پوندو. اسان جي تحقيق مان اهو ظاهر ٿئي ٿو ته سامهون صحيح فن تعمير کي چونڊڻ سان اهو امڪان وڌي سگهي ٿو ته نتيجو چپس گهربل ڪارڪردگي حاصل ڪري سگهندا، جيتوڻيڪ پيداوار جي مختلف حالتن جي موجودگي ۾.
ساڳئي وقت جڏهن Intel بنيادي طور تي تحقيق ڪري رهيو آهي، MIT پي ايڇ ڊي اميدوار Yichen Shen بوسٽن جي بنياد تي شروع ٿيندڙ لائٽليليجنس جو بنياد رکيو، جنهن ۾ $ 10,7 ملين ڊالر فنڊ گڏ ڪيا ويا آهن ۽ مشين لرننگ لاءِ هڪ پروٽوٽائپ آپٽيڪل چپ جيڪا جديد اليڪٽرانڪ چپس کان 100 ڀيرا وڌيڪ تيز آهي ۽ طاقت جي واپرائڻ کي به هڪ ترتيب سان گهٽائي ٿي، جيڪا هڪ ڀيرو ٻيهر واضح طور تي فوٽوونڪ ٽيڪنالاجيز جي واعدي کي ظاهر ڪري ٿي.
جو ذريعو: 3dnews.ru