Saketi zilizounganishwa za fotoni, au chipu za macho, zinaweza kutoa manufaa mengi zaidi ya zile za kielektroniki, kama vile kupunguza matumizi ya nishati na kupunguza muda wa kukokotoa. Ndiyo maana watafiti wengi wanaamini kwamba wanaweza kuwa na ufanisi mkubwa katika kujifunza kwa mashine na kazi za akili bandia (AI). Intel pia huona matarajio makubwa ya utumiaji wa picha za silicon katika mwelekeo huu. Timu yake ya utafiti katika mbinu mpya za kina ambazo zinaweza kuleta mitandao ya neural ya macho hatua karibu na ukweli.
Katika hivi karibuni , iliyojitolea kwa kujifunza kwa mashine, inaelezea jinsi utafiti katika uwanja wa mitandao ya neural ya macho ulianza. Utafiti wa David AB Miller na Michael Reck umeonyesha kuwa aina ya saketi ya picha inayojulikana kama Mach-Zehnder interferometer (MZI) inaweza kusanidiwa kufanya kuzidisha matrix 2 Γ 2 inapowekwa MZI kwenye matundu ya pembe tatu kwa kuzidisha matrices makubwa. pata saketi inayotekelezea algoriti ya kuzidisha ya matrix-vekta, hesabu ya msingi inayotumika katika kujifunza kwa mashine.
Utafiti mpya wa Intel ulilenga kile kinachotokea wakati kasoro mbalimbali ambazo chipsi za macho zinaweza kuathiriwa wakati wa utengenezaji (kwa vile picha za kikokotozi ni za analogi) husababisha tofauti za usahihi wa hesabu kati ya chipsi tofauti za aina moja. Ingawa tafiti kama hizo zimefanywa, hapo awali zilizingatia zaidi uboreshaji wa baada ya utengenezaji ili kuondoa makosa iwezekanavyo. Lakini mbinu hii ina upanuzi hafifu kwani mitandao inazidi kuwa kubwa, na hivyo kusababisha ongezeko la nguvu ya kompyuta inayohitajika kusanidi mitandao ya macho. Badala ya uboreshaji baada ya uundaji, Intel ilizingatia chips za mafunzo mara moja kabla ya utengenezaji kwa kutumia usanifu unaostahimili kelele. Mtandao wa neva wa macho wa marejeleo ulifunzwa mara moja, baada ya hapo vigezo vya mafunzo vilisambazwa katika matukio kadhaa ya mtandao yaliyobuniwa na tofauti katika vipengele vyake.
Timu ya Intel ilizingatia usanifu mbili wa kujenga mifumo ya kijasusi ya bandia kulingana na MZI: GridNet na FFTNet. GridNet inatabirika inaweka MZI kwenye gridi ya taifa, huku FFTNet inaziweka kwenye vipepeo. Baada ya kutoa mafunzo kwa uigaji wa kazi ya msingi ya ujifunzaji wa utambuzi wa tarakimu iliyoandikwa kwa mkono (MNIST), watafiti waligundua kuwa GridNet ilipata usahihi wa juu kuliko FFTNet (98% dhidi ya 95%), lakini usanifu wa FFTNet ulikuwa "imara zaidi." Kwa kweli, utendakazi wa GridNet ulishuka chini ya 50% kwa kuongezwa kwa kelele bandia (uingiliaji kati ambao unaiga kasoro zinazowezekana katika utengenezaji wa chip za macho), wakati kwa FFTNet ilibaki karibu kila wakati.
Wanasayansi hao wanasema utafiti wao unaweka msingi wa mbinu za mafunzo ya akili bandia ambazo zinaweza kuondoa hitaji la kurekebisha chips za macho baada ya kuzalishwa, hivyo kuokoa wakati na rasilimali muhimu.
"Kama ilivyo kwa mchakato wowote wa utengenezaji, kasoro fulani zitatokea ambayo inamaanisha kutakuwa na tofauti ndogo kati ya chips ambazo zitaathiri usahihi wa hesabu," anaandika Casimir Wierzynski, mkurugenzi mkuu wa Intel AI Product Group. "Ikiwa vyombo vya neural vya macho vitakuwa sehemu inayofaa ya mfumo wa vifaa vya AI, watahitaji kuhamia chips kubwa na teknolojia ya utengenezaji wa viwandani. Utafiti wetu unaonyesha kuwa kuchagua usanifu sahihi wa mbele kunaweza kuongeza kwa kiasi kikubwa uwezekano kwamba chips zitafikia utendaji unaohitajika, hata kukiwa na tofauti za utengenezaji.
Wakati huo huo Intel inafanya utafiti kimsingi, mgombea wa PhD wa MIT Yichen Shen alianzisha shirika la Lightelligence la Boston, ambalo limeongeza $ 10,7 milioni katika ufadhili wa mradi na. chip ya macho ya mfano kwa ajili ya kujifunza kwa mashine ambayo ni kasi mara 100 kuliko chips za kisasa za elektroniki na pia inapunguza matumizi ya nguvu kwa amri ya ukubwa, ambayo kwa mara nyingine inaonyesha wazi ahadi ya teknolojia za picha.
Chanzo: 3dnews.ru