ෆෝටෝනික් ඒකාබද්ධ පරිපථ, හෝ ඔප්ටිකල් චිප්, බලශක්ති පරිභෝජනය අඩු කිරීම සහ ගණනය කිරීමේ ප්‍රමාදය අඩු කිරීම වැනි ඒවායේ ඉලෙක්ට්‍රොනික සගයන්ට වඩා බොහෝ වාසි ලබා දිය හැකිය. බොහෝ පර්යේෂකයන් විශ්වාස කරන්නේ ඒවා යන්ත්‍ර ඉගෙනීම සහ කෘතිම බුද්ධිය (AI) කාර්යයන් සඳහා අතිශයින්ම ඵලදායී විය හැකි බවයි. මෙම දිශාවට සිලිකන් ෆෝටෝනික්ස් භාවිතය සඳහා ඉන්ටෙල් විශාල අපේක්ෂාවන් ද දකී. ඇගේ පර්යේෂණ කණ්ඩායම තුළ දෘශ්‍ය ස්නායුක ජාල යථාර්ථයට පියවරක් සමීප කළ හැකි සවිස්තරාත්මක නව තාක්ෂණික ක්‍රම.
මෑතක දී , යන්ත්‍ර ඉගෙනීම සඳහා කැප වූ, දෘශ්‍ය ස්නායුක ජාල ක්ෂේත්‍රයේ පර්යේෂණ ආරම්භ වූ ආකාරය විස්තර කරයි. ඩේවිඩ් ඒබී මිලර් සහ මයිකල් රෙක් විසින් කරන ලද පර්යේෂණයකින් පෙන්නුම් කර ඇත්තේ Mach-Zehnder interferometer (MZI) ලෙස හැඳින්වෙන ෆෝටෝනික් පරිපථ වර්ගයක් විශාල න්‍යාස ගුණ කිරීම සඳහා ත්‍රිකෝණාකාර දැලක් මත MZI තැබූ විට 2 × 2 න්‍යාස ගුණ කිරීම සිදු කිරීමට වින්‍යාසගත කළ හැකි බවයි. යන්ත්‍ර ඉගෙනීමේදී භාවිතා කරන මූලික ගණනය කිරීමක් වන න්‍යාස-දෛශික ගුණ කිරීමේ ඇල්ගොරිතම ක්‍රියාත්මක කරන පරිපථයක් ලබා ගන්න.
නව Intel පර්යේෂණය අවධානය යොමු කළේ නිෂ්පාදනය කිරීමේදී දෘශ්‍ය චිප්ස් වලට ගොදුරු විය හැකි විවිධ දෝෂ (පරිගණක ෆෝටෝනික්ස් ස්වභාවයෙන්ම ප්‍රතිසමයක් වන බැවින්) එකම වර්ගයේ විවිධ චිප් අතර ගණනය කිරීමේ නිරවද්‍යතාවයේ වෙනස්කම් ඇති කරන විට සිදුවන දේ පිළිබඳවය. සමාන අධ්‍යයනයන් සිදු කර ඇතත්, අතීතයේ දී ඔවුන් වැඩි අවධානයක් යොමු කළේ විය හැකි සාවද්‍යතා ඉවත් කිරීම සඳහා පශ්චාත්-නිශ්පාදන ප්‍රශස්තකරණය කෙරෙහි ය. නමුත් ජාල විශාල වීම නිසා මෙම ප්‍රවේශය දුර්වල පරිමාණයක් ඇත, එහි ප්‍රතිඵලයක් ලෙස දෘශ්‍ය ජාල සැකසීමට අවශ්‍ය පරිගණක බලය වැඩි වේ. පශ්චාත්-නිශ්පාදන ප්‍රශස්තිකරණය වෙනුවට, Intel විසින් ඝෝෂා-ඉවසන ගෘහ නිර්මාණ ශිල්පයක් භාවිතා කරමින් නිෂ්පාදනය කිරීමට පෙර එක් වරක් චිප්ස් පුහුණු කිරීම සලකා බලන ලදී. සමුද්දේශ දෘශ්‍ය ස්නායුක ජාලය එක් වරක් පුහුණු කරන ලද අතර, ඉන් පසුව පුහුණු පරාමිති ඒවායේ සංරචකවල වෙනස්කම් සහිත ගොතන ලද ජාල අවස්ථා කිහිපයක් හරහා බෙදා හරින ලදී.
Intel කණ්ඩායම MZI මත පදනම් වූ කෘත්‍රිම බුද්ධි පද්ධති ගොඩනැගීම සඳහා ගෘහ නිර්මාණ ශිල්පය දෙකක් සලකා බැලූහ: GridNet සහ FFTNet. GridNet පුරෝකථනය කළ හැකි පරිදි MZI ජාලයක් තුළ තබයි, FFTNet ඒවා සමනල රටා තුළ තබයි. අතින් ලියන ලද ඉලක්කම් හඳුනාගැනීමේ ගැඹුරු ඉගෙනුම් මිණුම් සලකුණු කාර්යය (MNIST) පිළිබඳ සමාකරණයක් පුහුණු කිරීමෙන් පසුව, GridNet FFTNet (98% එදිරිව 95%) ට වඩා ඉහළ නිරවද්‍යතාවයක් ලබා ගත් බව පර්යේෂකයන් සොයා ගත් නමුත් FFTNet ගෘහ නිර්මාණ ශිල්පය “සැලකිය යුතු ලෙස වඩා ශක්තිමත්” විය. ඇත්ත වශයෙන්ම, GridNet හි කාර්ය සාධනය කෘත්‍රිම ඝෝෂාව (දෘෂ්‍ය චිප නිෂ්පාදනයේ ඇති විය හැකි දෝෂ අනුකරණය කරන මැදිහත්වීම්) එකතු කිරීමත් සමඟ 50% ට වඩා පහත වැටුණු අතර FFTNet සඳහා එය පාහේ නියත විය.
විද්‍යාඥයින් පවසන්නේ ඔප්ටිකල් චිප් නිෂ්පාදනය කිරීමෙන් පසු ඒවා සියුම් ලෙස සකස් කිරීමේ අවශ්‍යතාවය ඉවත් කර වටිනා කාලය හා සම්පත් ඉතිරි කර ගත හැකි කෘත්‍රිම බුද්ධි පුහුණු ක්‍රම සඳහා ඔවුන්ගේ පර්යේෂණ පදනම සකසන බවයි.
"ඕනෑම නිෂ්පාදන ක්‍රියාවලියක් සමඟින්, යම් යම් දෝෂයන් සිදුවනු ඇත, එයින් අදහස් වන්නේ ගණනය කිරීම් වල නිරවද්‍යතාවයට බලපාන චිප්ස් අතර කුඩා වෙනස්කම් පවතිනු ඇති බවයි" යනුවෙන් Intel AI නිෂ්පාදන සමූහයේ ජ්‍යෙෂ්ඨ අධ්‍යක්ෂ කැසිමීර් වීර්සින්ස්කි ලියයි. “ප්‍රකාශ ස්නායුක ආයතන AI දෘඪාංග පරිසර පද්ධතියේ ශක්‍ය කොටසක් බවට පත් වීමට නම්, ඔවුන් විශාල චිප්ස් සහ කාර්මික නිෂ්පාදන තාක්ෂණයන් වෙත ගමන් කිරීමට අවශ්‍ය වනු ඇත. අපගේ පර්යේෂණයෙන් පෙන්නුම් කරන්නේ, නිවැරදි ගෘහනිර්මාණ ශිල්පය තෝරා ගැනීමෙන්, නිෂ්පාදන වෙනස්කම් තිබියදීත්, ප්‍රතිඵලයක් ලෙස ලැබෙන චිප්ස් අපේක්ෂිත කාර්ය සාධනය ලබා ගැනීමේ සම්භාවිතාව සැලකිය යුතු ලෙස වැඩි කළ හැකි බවයි.
ඉන්ටෙල් මූලික වශයෙන් පර්යේෂණ සිදු කරන අතරම, MIT පීඑච්ඩී අපේක්ෂක යිචෙන් ෂෙන් බොස්ටන් පදනම් කරගත් ආරම්භක ලයිටෙලිජන්ස් ආරම්භ කළ අතර එය ඩොලර් මිලියන 10,7 ක ව්‍යාපාර අරමුදල් රැස් කර ඇත. යන්ත්‍ර ඉගෙනීම සඳහා වන මූලාකෘති ඔප්ටිකල් චිපයක් නවීන ඉලෙක්ට්‍රොනික චිප්වලට වඩා 100 ගුණයකින් වේගවත් වන අතර විශාලත්වයේ අනුපිළිවෙලකින් බලශක්ති පරිභෝජනය අඩු කරයි, එය නැවත වරක් ෆෝටෝනික් තාක්ෂණයේ පොරොන්දුව පැහැදිලිව පෙන්නුම් කරයි.
මූලාශ්රය: 3dnews.ru