Qarqet e integruara fotonike, ose çipat optikë, potencialisht ofrojnë shumë përparësi ndaj homologëve të tyre elektronikë, të tillë si konsumi i reduktuar i energjisë dhe vonesa e reduktuar në llogaritje. Kjo është arsyeja pse shumë studiues besojnë se ato mund të jenë jashtëzakonisht efektive në detyrat e mësimit të makinerive dhe inteligjencës artificiale (AI). Intel gjithashtu sheh perspektiva të mëdha për përdorimin e fotonikës së silikonit në këtë drejtim. Ekipi i saj hulumtues në
Në një të fundit
Hulumtimi i ri i Intel-it u fokusua në atë që ndodh kur defekte të ndryshme ndaj të cilave janë të ndjeshëm ndaj çipave optikë gjatë prodhimit (pasi fotonika kompjuterike është analoge në natyrë) shkaktojnë dallime në saktësinë llogaritëse midis çipave të ndryshëm të të njëjtit lloj. Edhe pse studime të ngjashme janë kryer, në të kaluarën ata janë fokusuar më shumë në optimizimin pas fabrikimit për të eliminuar pasaktësitë e mundshme. Por kjo qasje ka shkallëzim të dobët pasi rrjetet bëhen më të mëdha, duke rezultuar në një rritje të fuqisë kompjuterike të nevojshme për të vendosur rrjetet optike. Në vend të optimizimit pas fabrikimit, Intel konsideroi çipat e trajnimit një herë përpara prodhimit duke përdorur një arkitekturë tolerante ndaj zhurmës. Rrjeti nervor optik i referencës u trajnua një herë, pas së cilës parametrat e trajnimit u shpërndanë nëpër disa instanca të fabrikuara të rrjetit me dallime në komponentët e tyre.
Ekipi i Intel mori në konsideratë 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 rrjet, ndërsa FFTNet i vendos ato në flutura. Pas trajnimit si në një simulim mbi detyrën e standardit të të mësuarit të thellë të njohjes së shifrave të shkruara me dorë (MNIST), studiuesit zbuluan se GridNet arriti saktësi më të lartë se FFTNet (98% kundrejt 95%), por arkitektura FFTNet ishte "dukshëm më e fortë". Në fakt, performanca e GridNet ra nën 50% me shtimin e zhurmës artificiale (ndërhyrje që simulon defekte të mundshme në prodhimin e çipeve optike), ndërsa për FFTNet mbeti pothuajse konstante.
Shkencëtarët thonë se kërkimi i tyre hedh themelet për metodat e trajnimit të inteligjencës artificiale që mund të eliminojnë nevojën për të rregulluar çipat optikë pasi ato të prodhohen, duke kursyer kohë dhe burime të vlefshme.
"Ashtu si me çdo proces prodhimi, do të ndodhin disa defekte që do të thotë se do të ketë dallime të vogla midis çipave që do të ndikojnë në saktësinë e llogaritjeve," shkruan Casimir Wierzynski, drejtor i lartë i Intel AI Product Group. “Nëse entitetet nervore optike do të bëhen një pjesë e qëndrueshme e ekosistemit të harduerit të AI, ata do të duhet të kalojnë në çipa më të mëdhenj dhe teknologji të prodhimit industrial. Hulumtimi ynë tregon se zgjedhja e arkitekturës së duhur përpara mund të rrisë ndjeshëm gjasat që çipat që rezultojnë të arrijnë performancën e dëshiruar, edhe në prani të variacioneve të prodhimit.”
Në të njëjtën kohë që Intel po kryen kryesisht kërkime, kandidati për doktoraturë në MIT, Yichen Shen themeloi startupin Lightelligence me bazë në Boston, i cili ka mbledhur 10,7 milionë dollarë në financim sipërmarrës dhe
Burimi: 3dnews.ru