Интел ради на оптичким чиповима за ефикаснију вештачку интелигенцију

Фотонска интегрисана кола, или оптички чипови, потенцијално нуде многе предности у односу на своје електронске колеге, као што су смањена потрошња енергије и смањено кашњење у рачунању. Због тога многи истраживачи верују да могу бити изузетно ефикасни у задацима машинског учења и вештачке интелигенције (АИ). Интел такође види велике изгледе за коришћење силицијумске фотонике у овом правцу. Њен истраживачки тим у научни чланак детаљне нове технике које би оптичке неуронске мреже могле да доведу корак ближе стварности.

У недавном Интел блог постови, посвећен машинском учењу, описује како су почела истраживања у области оптичких неуронских мрежа. Истраживање Дејвида АБ Милера и Мајкла Река показало је да се тип фотонског кола познатог као Мах-Зендеров интерферометар (МЗИ) може конфигурисати да изврши множење матрице 2 × 2 када се МЗИ постави на троугласту мрежу за множење великих матрица, може се добити коло које имплементира алгоритам множења матрице-вектора, основни прорачун који се користи у машинском учењу.

Ново Интелово истраживање фокусирало се на то шта се дешава када различити дефекти којима су оптички чипови подложни током производње (пошто је рачунарска фотоника аналогна по природи) проузрокују разлике у тачности рачунања између различитих чипова истог типа. Иако су сличне студије спроведене, у прошлости су се више фокусирале на оптимизацију после производње како би се елиминисале могуће нетачности. Али овај приступ има лошу скалабилност како мреже постају веће, што резултира повећањем рачунарске снаге потребне за постављање оптичких мрежа. Уместо пост-производње оптимизације, Интел је размотрио једнократну обуку чипова пре производње коришћењем архитектуре отпорне на буку. Референтна оптичка неуронска мрежа је једном обучена, након чега су параметри обуке распоређени на неколико фабрикованих инстанци мреже са разликама у њиховим компонентама.

Интелов тим је разматрао две архитектуре за изградњу система вештачке интелигенције засноване на МЗИ: ГридНет и ФФТНет. ГридНет предвидљиво поставља МЗИ-ове у мрежу, док их ФФТНет поставља у лептире. Након обуке оба у симулацији на рукописном задатку дубоког учења за дубоко учење (МНИСТ), истраживачи су открили да је ГридНет постигао већу прецизност од ФФТНет-а (98% наспрам 95%), али је ФФТНет архитектура била „значајно робустнија“. У ствари, перформансе ГридНет-а су пале испод 50% уз додатак вештачке буке (сметње које симулирају могуће дефекте у производњи оптичких чипова), док су за ФФТНет остале готово константне.

Научници кажу да њихово истраживање поставља основу за методе обуке вештачке интелигенције које би могле елиминисати потребу за финим подешавањем оптичких чипова након што су произведени, штедећи драгоцено време и ресурсе.

„Као и код сваког производног процеса, појавиће се одређени дефекти који значе да ће постојати мале разлике између чипова које ће утицати на тачност прорачуна“, пише Цасимир Виерзински, виши директор Интел АИ Продуцт Гроуп. „Ако оптички неуронски ентитети постану одрживи део екосистема АИ хардвера, мораће да пређу на веће чипове и индустријске производне технологије. Наше истраживање показује да одабир праве архитектуре унапред може значајно повећати вероватноћу да ће резултујући чипови постићи жељене перформансе, чак и у присуству производних варијација.

У исто време када Интел првенствено спроводи истраживања, кандидат за докторске студије на МИТ-у Јицхен Схен основао је стартап Лигхтеллигенце са седиштем у Бостону, који је прикупио 10,7 милиона долара у ризичном финансирању и недавно демонстрирано прототип оптичког чипа за машинско учење који је 100 пута бржи од савремених електронских чипова и такође смањује потрошњу енергије за ред величине, што још једном јасно показује обећање фотонских технологија.

Извор: 3дневс.ру