Sirkuit terpadu fotonik, atawa chip optik, berpotensi nawarkeun loba kaunggulan dibandingkeun counterparts éléktronik maranéhanana, kayaning ngurangan konsumsi kakuatan sarta ngurangan latency dina komputasi. Éta sababna seueur panaliti yakin yén aranjeunna tiasa efektif pisan dina diajar mesin sareng tugas kecerdasan buatan (AI). Intel ogé ningali prospek anu hadé pikeun panggunaan silikon fotonik dina arah ieu. Tim panalungtikan nya di téhnik anyar lengkep nu bisa mawa jaringan saraf optik hiji hambalan ngadeukeutan ka kanyataanana.
Dina panganyarna , dedicated ka machine learning, ngajelaskeun kumaha panalungtikan dina widang jaringan neural optik dimimitian. Panalitian ku David A. B. Miller sareng Michael Reck parantos nunjukkeun yén jinis sirkuit fotonik anu katelah interferometer Mach-Zehnder (MZI) tiasa dikonpigurasi pikeun ngalakukeun 2 × 2 perkalian matriks, dimana, upami disimpen MZI dina bolong segitiga pikeun ngalikeun matriks ageung. , Hiji bisa ménta sirkuit nu implements algoritma multiplication matrix-vektor, itungan dasar dipaké dina learning mesin.
Panalitian Intel anyar museurkeun kana naon anu lumangsung nalika rupa-rupa cacad anu rentan ka chip optik nalika manufaktur (sabab photonics komputasi sifatna analog) nyababkeun bédana akurasi komputasi antara chip anu béda tina jinis anu sami. Sanaos panilitian anu sami parantos dilakukeun, baheula aranjeunna langkung difokuskeun kana optimasi pasca-fabrikasi pikeun ngaleungitkeun kamungkinan kasalahan. Tapi pendekatan ieu boga skalabilitas goréng sabab jaringan jadi leuwih badag, hasilna kanaékan kakuatan komputasi diperlukeun pikeun nyetél jaringan optik. Gantina optimasi pos-fabrikasi, Intel dianggap chip latihan sakali saméméh manufaktur ku ngagunakeun arsitektur noise-tolerant. Jaringan saraf optik rujukan dilatih sakali, saatos éta parameter latihan disebarkeun ka sababaraha instansi jaringan anu didamel kalayan béda dina komponénna.
Tim Intel nganggap dua arsitéktur pikeun ngawangun sistem kecerdasan jieunan dumasar kana MZI: GridNet sareng FFTNet. GridNet predictably nempatkeun MZIs dina grid a, bari FFTNet nempatkeun aranjeunna dina kukupu. Saatos latihan duanana dina simulasi dina pangakuan digit tulisan leungeun tugas patokan pembelajaran jero (MNIST), panalungtik manggihan yén GridNet ngahontal akurasi luhur batan FFTNet (98% vs 95%), tapi arsitektur FFTNet éta "nyata leuwih mantap". Kanyataanna, kinerja GridNet turun handap 50% kalawan ditambahan noise jieunan (gangguan nu simulates mungkin defects dina manufaktur chip optik), sedengkeun pikeun FFTNet tetep ampir konstan.
Élmuwan nyatakeun yén panalungtikanana nempatkeun dasar pikeun metode latihan intelijen buatan anu tiasa ngaleungitkeun kabutuhan pikeun nyempurnakeun chip optik saatos diproduksi, ngahémat waktos sareng sumber daya.
"Sapertos prosés manufaktur naon waé, defects tangtu bakal kajantenan anu hartosna bakal aya béda leutik antara chip anu bakal mangaruhan katepatan itungan," nyerat Casimir Wierzynski, diréktur senior Intel AI Product Group. "Upami éntitas saraf optik janten bagian anu séhat tina ékosistem perangkat keras AI, aranjeunna kedah ngalih ka chip anu langkung ageung sareng téknologi manufaktur industri. Panaliti kami nunjukkeun yén milih arsitéktur anu pas di payun tiasa sacara signifikan ningkatkeun kamungkinan yén chip anu hasilna bakal ngahontal prestasi anu dipikahoyong, sanaos ku ayana variasi manufaktur.
Dina waktos anu sami yén Intel utamina ngalaksanakeun panalungtikan, calon PhD MIT Yichen Shen ngadegkeun startup Lightelligence berbasis Boston, anu parantos ngumpulkeun dana usaha $ 10,7 juta sareng prototipe chip optik pikeun pembelajaran mesin anu 100 kali leuwih gancang ti chip éléktronik modern sarta ogé ngurangan konsumsi kakuatan ku urutan gedena, nu sakali deui jelas nunjukkeun jangji téhnologi photonic.
sumber: 3dnews.ru