ஃபோட்டானிக் ஒருங்கிணைந்த சுற்றுகள், அல்லது ஆப்டிகல் சில்லுகள், மின் நுகர்வு குறைதல் மற்றும் கணக்கீட்டில் தாமதம் குறைதல் போன்ற பல நன்மைகளை அவற்றின் எலக்ட்ரானிக் சகாக்களை விட சாத்தியமாக வழங்குகின்றன. அதனால்தான் பல ஆராய்ச்சியாளர்கள் இயந்திர கற்றல் மற்றும் செயற்கை நுண்ணறிவு (AI) பணிகளில் மிகவும் பயனுள்ளதாக இருக்கும் என்று நம்புகிறார்கள். இந்த திசையில் சிலிக்கான் ஃபோட்டானிக்ஸ் பயன்படுத்துவதற்கான சிறந்த வாய்ப்புகளை இன்டெல் காண்கிறது. அவரது ஆராய்ச்சி குழு ஆப்டிகல் நியூரல் நெட்வொர்க்குகளை யதார்த்தத்திற்கு ஒரு படி நெருக்கமாக கொண்டு வரக்கூடிய விரிவான புதிய நுட்பங்கள்.
சமீபத்தில் , இயந்திர கற்றலுக்கு அர்ப்பணிக்கப்பட்ட, ஆப்டிகல் நியூரல் நெட்வொர்க்குகள் துறையில் ஆராய்ச்சி எவ்வாறு தொடங்கியது என்பதை விவரிக்கிறது. டேவிட் ஏபி மில்லர் மற்றும் மைக்கேல் ரெக் ஆகியோரின் ஆராய்ச்சி, ஒரு வகை ஃபோட்டானிக் சர்க்யூட் எனப்படும் Mach-Zehnder interferometer (MZI) 2 × 2 மேட்ரிக்ஸ் பெருக்கத்தை பெரிய மெட்ரிக்குகளைப் பெருக்குவதற்கு ஒரு முக்கோண கண்ணி மீது MZI ஐ வைக்கும்போது கட்டமைக்கப்படலாம் என்பதை நிரூபித்துள்ளது. இயந்திர கற்றலில் பயன்படுத்தப்படும் அடிப்படை கணக்கீடுகளான அணி-வெக்டார் பெருக்கல் அல்காரிதத்தை செயல்படுத்தும் ஒரு சுற்று.
புதிய இன்டெல் ஆராய்ச்சியானது, உற்பத்தியின் போது ஆப்டிகல் சில்லுகள் பாதிக்கப்படும் பல்வேறு குறைபாடுகள் (கணக்கீட்டு ஃபோட்டானிக்ஸ் இயற்கையில் அனலாக் என்பதால்) ஒரே மாதிரியான வெவ்வேறு சில்லுகளுக்கு இடையே கணக்கீட்டு துல்லியத்தில் வேறுபாடுகளை ஏற்படுத்தும்போது என்ன நடக்கிறது என்பதில் கவனம் செலுத்துகிறது. இதே போன்ற ஆய்வுகள் நடத்தப்பட்டாலும், கடந்த காலங்களில் அவை சாத்தியமான தவறுகளை அகற்றுவதற்கு பிந்தைய ஃபேப்ரிகேஷன் தேர்வுமுறையில் அதிக கவனம் செலுத்தின. ஆனால் இந்த அணுகுமுறையானது நெட்வொர்க்குகள் பெரியதாக மாறுவதால், குறைந்த அளவீட்டுத்திறன் உள்ளது, இதன் விளைவாக ஆப்டிகல் நெட்வொர்க்குகளை அமைக்க தேவையான கணினி சக்தி அதிகரிக்கிறது. ஃபேப்ரிகேஷன் ஆப்டிமைசேஷனுக்குப் பதிலாக, இரைச்சல்-சகிப்புத்தன்மை கொண்ட கட்டமைப்பைப் பயன்படுத்தி உற்பத்தி செய்வதற்கு முன் ஒருமுறை பயிற்சி சில்லுகளை இன்டெல் பரிசீலித்தது. குறிப்பு ஆப்டிகல் நியூரல் நெட்வொர்க் ஒரு முறை பயிற்சியளிக்கப்பட்டது, அதன் பிறகு பயிற்சி அளவுருக்கள் பல புனையப்பட்ட நெட்வொர்க் நிகழ்வுகளில் அவற்றின் கூறுகளில் வேறுபாடுகளுடன் விநியோகிக்கப்பட்டன.
இன்டெல் குழு MZI அடிப்படையில் செயற்கை நுண்ணறிவு அமைப்புகளை உருவாக்குவதற்கான இரண்டு கட்டமைப்புகளை பரிசீலித்தது: GridNet மற்றும் FFTNet. GridNet கணிக்கக்கூடிய வகையில் MZIகளை ஒரு கட்டத்தில் வைக்கிறது, FFTNet அவற்றை பட்டாம்பூச்சிகளில் வைக்கிறது. கையால் எழுதப்பட்ட இலக்க அங்கீகாரம் ஆழமான கற்றல் பெஞ்ச்மார்க் பணி (MNIST) பற்றிய உருவகப்படுத்துதலில் இருவரும் பயிற்சி பெற்ற பிறகு, GridNet FFTNet ஐ விட (98% எதிராக 95%) அதிக துல்லியத்தை அடைந்ததாக ஆராய்ச்சியாளர்கள் கண்டறிந்தனர், ஆனால் FFTNet கட்டமைப்பு "குறிப்பிடத்தக்க வகையில் மிகவும் வலுவானதாக" இருந்தது. உண்மையில், GridNet இன் செயல்திறன் செயற்கை இரைச்சல் (ஆப்டிகல் சிப் உற்பத்தியில் சாத்தியமான குறைபாடுகளை உருவகப்படுத்தும் குறுக்கீடு) கூடுதலாக 50% க்கும் கீழே குறைந்தது, FFTNet க்கு இது கிட்டத்தட்ட மாறாமல் இருந்தது.
விஞ்ஞானிகள் தங்கள் ஆராய்ச்சி செயற்கை நுண்ணறிவு பயிற்சி முறைகளுக்கு அடித்தளம் அமைக்கிறது, அவை தயாரிக்கப்பட்ட பிறகு ஆப்டிகல் சில்லுகளை நன்றாக வடிவமைக்க வேண்டிய அவசியத்தை நீக்கி, மதிப்புமிக்க நேரத்தையும் வளங்களையும் மிச்சப்படுத்துகின்றன.
"எந்தவொரு உற்பத்தி செயல்முறையையும் போலவே, சில குறைபாடுகள் ஏற்படும், அதாவது கணக்கீடுகளின் துல்லியத்தை பாதிக்கும் சில்லுகளுக்கு இடையே சிறிய வேறுபாடுகள் இருக்கும்" என்று Intel AI தயாரிப்பு குழுமத்தின் மூத்த இயக்குனர் காசிமிர் வியர்சின்ஸ்கி எழுதுகிறார். "ஆப்டிகல் நியூரல் நிறுவனங்கள் AI வன்பொருள் சுற்றுச்சூழல் அமைப்பின் சாத்தியமான பகுதியாக மாற வேண்டுமானால், அவை பெரிய சில்லுகள் மற்றும் தொழில்துறை உற்பத்தி தொழில்நுட்பங்களுக்கு செல்ல வேண்டும். சரியான கட்டமைப்பைத் தேர்ந்தெடுப்பது, உற்பத்தி மாறுபாடுகளின் முன்னிலையில் கூட, விளைந்த சில்லுகள் விரும்பிய செயல்திறனை அடைவதற்கான வாய்ப்பை கணிசமாக அதிகரிக்கும் என்று எங்கள் ஆராய்ச்சி காட்டுகிறது.
இன்டெல் முதன்மையாக ஆராய்ச்சியை மேற்கொண்டு வரும் அதே நேரத்தில், MIT PhD வேட்பாளர் யிச்சென் ஷென் பாஸ்டனை தளமாகக் கொண்ட ஸ்டார்ட்அப் லைட்டெலிஜென்ஸை நிறுவினார், இது $10,7 மில்லியன் துணிகர நிதி மற்றும் இயந்திரக் கற்றலுக்கான முன்மாதிரி ஆப்டிகல் சிப், இது நவீன மின்னணு சில்லுகளை விட 100 மடங்கு வேகமானது மற்றும் மின் நுகர்வு அளவை ஒரு வரிசையில் குறைக்கிறது, இது ஃபோட்டானிக் தொழில்நுட்பங்களின் வாக்குறுதியை மீண்டும் தெளிவாக நிரூபிக்கிறது.
ஆதாரம்: 3dnews.ru