Qarqet fotonike të integruara, ose çipat optikë, potencialisht ofrojnë një sërë përparësish krahasuar me alternativat elektronike, si ulja e konsumit të energjisë dhe reduktimi i vonesës në llogaritje. Për këtë arsye, shumë studiues besojnë se ato mund të jenë jashtëzakonisht efikase për detyrat e machine learning dhe zhvillimin e inteligjencës artificiale (AI). Edhe Intel sheh potencial të madh për përdorimin e silicon photonics në këtë drejtim. Një grup studiuesish të saj në përshkroi në detaje metoda të reja që mund t’i afrojnë rrjetet nervore optike një hap më pranë realitetit.
Në një , kushtuar machine learning, shpjegohet se si nisën kërkimet në fushën e rrjeteve nervore optike. Punimet shkencore të David A. B. Miller dhe Michael Reck treguan se një lloj qarku fotonik, i njohur si interferometri Mach-Zehnder (MZI), mund të konfigurohet për të kryer shumëzimin e matricave 2 × 2. Ndërsa, nëse MZI vendosen në një rrjet trekëndor për shumëzimin e matricave më të mëdha, mund të krijohet një skemë që zbaton algoritmin e shumëzimit matricë-vektor — llogaritja bazë që përdoret në machine learning.
Një studim i ri i Intel u përqendrua në analizimin e asaj që ndodh kur gjatë prodhimit shfaqen defekte të ndryshme, ndaj të cilave çipat optikë janë të ndjeshëm (meqë fotonika kompjuterike është nga natyra analoge), duke shkaktuar dallime në saktësinë e llogaritjeve midis çipave të ndryshëm të të njëjtit lloj. Edhe pse studime të ngjashme janë kryer edhe më parë, në të kaluarën ato ishin më shumë të fokusuara te optimizimi pas prodhimit për të korrigjuar pasaktësitë e mundshme. Por kjo qasje ka shkallëzim të dobët, sepse rrjetet po bëhen gjithnjë e më të mëdha, gjë që rrit fuqinë llogaritëse të nevojshme për konfigurimin e rrjeteve optike. Në vend të optimizimit pas prodhimit, Intel shqyrtoi mundësinë e trajnimit një herë të çipave përpara prodhimit falë përdorimit të një arkitekture rezistente ndaj zhurmës. Rrjeti optik nervor referencë u trajnua një herë, pas së cilës parametrat e trajnimit u shpërndanë në disa versione të prodhuara të rrjetit me dallime në komponentët e tyre.
Ekipi i Intel shqyrtoi dy arkitektura për ndërtimin e sistemeve të inteligjencës artificiale të bazuara në MZI: GridNet dhe FFTNet. GridNet i vendos MZI-të në mënyrë të parashikueshme në një rrjetë, ndërsa FFTNet i vendos ato në formë «fluture». Pas trajnimit të të dyjave në simulim mbi detyrën standarde të të mësuarit të thellë për njohjen e shifrave të shkruara me dorë (MNIST), studiuesit zbuluan se GridNet arriti saktësi më të lartë se FFTNet (98 % kundrejt 95 %), por njëkohësisht arkitektura FFTNet rezultoi «dukshëm më e besueshme». Në fakt, performanca e GridNet ra nën 50 % me shtimin e zhurmës artificiale (ndërhyrje që imitojnë defekte të mundshme gjatë prodhimit të çipave optikë), ndërsa te FFTNet ajo mbeti pothuajse konstante.
Shkencëtarët pohojnë se kërkimi i tyre hedh bazat për metoda të trajnimit të inteligjencës artificiale që do të ndihmojnë në eliminimin e nevojës për rregullim të imët të çipave optikë pas prodhimit, duke kursyer kohë dhe burime të vlefshme.
«Ashtu si në çdo proces prodhimi, shfaqen defekte të caktuara, që do të thotë se midis mikroqarqeve do të ketë dallime të vogla dhe ato do të ndikojnë në saktësinë e llogaritjeve», shkruan drejtori i lartë i grupit të produkteve Intel AI, Casimir Wierzynski. «Nëse bërthamat optike neuronale bëhen një pjesë e zbatueshme e ekosistemit harduerik të inteligjencës artificiale, ato do të duhet të kalojnë në çipa më të mëdhenj dhe në teknologji të prodhimit industrial. Hulumtimet tona tregojnë se zgjedhja e arkitekturës së duhur që në fillim mund të rrisë ndjeshëm gjasat që çipat e prodhuar të arrijnë performancën e dëshiruar edhe në prani të variacioneve të prodhimit».
Ndërkohë, ndërsa Intel kryesisht merret me kërkime, Yichen Shen, kandidat i shkencave fiziko-matematikore nga Instituti i Teknologjisë i Massachusetts, themeloi startup-in Lightelligence me bazë në Boston, i cili ka siguruar 10,7 milionë dollarë financim sipërmarrës dhe një prototip të një çipi optik për machine learning, i cili është 100 herë më i shpejtë se çipat elektronikë modernë dhe gjithashtu ul konsumin e energjisë me një rend madhësie, duke treguar edhe një herë qartë potencialin e teknologjive fotonike.
Burimi: 3dnews.ru
