ఫోటోనిక్ ఇంటిగ్రేటెడ్ సర్క్యూట్‌లు లేదా ఆప్టికల్ చిప్‌లు, విద్యుత్ వినియోగం తగ్గడం మరియు గణనలో తగ్గిన జాప్యం వంటి వాటి ఎలక్ట్రానిక్ ప్రత్యర్ధులపై అనేక ప్రయోజనాలను సమర్ధవంతంగా అందిస్తాయి. అందుకే చాలా మంది పరిశోధకులు మెషిన్ లెర్నింగ్ మరియు ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) పనులలో చాలా ప్రభావవంతంగా ఉంటారని నమ్ముతారు. ఇంటెల్ ఈ దిశలో సిలికాన్ ఫోటోనిక్స్ ఉపయోగం కోసం గొప్ప అవకాశాలను కూడా చూస్తుంది. ఆమె పరిశోధనా బృందం ఆప్టికల్ న్యూరల్ నెట్‌వర్క్‌లను వాస్తవికతకు ఒక అడుగు దగ్గరగా తీసుకురాగల వివరణాత్మక కొత్త సాంకేతికతలు.
В недавney , మెషిన్ లెర్నింగ్‌కు అంకితం చేయబడింది, ఆప్టికల్ న్యూరల్ నెట్‌వర్క్‌ల రంగంలో పరిశోధన ఎలా ప్రారంభమైందో వివరిస్తుంది. డేవిడ్ AB మిల్లెర్ మరియు మైఖేల్ రెక్ చేసిన పరిశోధనలో మాక్-జెహెండర్ ఇంటర్‌ఫెరోమీటర్ (MZI) అని పిలువబడే ఒక రకమైన ఫోటోనిక్ సర్క్యూట్ పెద్ద మాత్రికలను గుణించడం కోసం త్రిభుజాకార మెష్‌పై MZIని ఉంచినప్పుడు 2 × 2 మాతృక గుణకారాన్ని నిర్వహించడానికి కాన్ఫిగర్ చేయబడుతుందని నిరూపించబడింది. మెషీన్ లెర్నింగ్‌లో ఉపయోగించే ప్రాథమిక గణన అయిన మ్యాట్రిక్స్-వెక్టర్ మల్టిప్లికేషన్ అల్గారిథమ్‌ను అమలు చేసే సర్క్యూట్‌ను పొందండి.
కొత్త ఇంటెల్ పరిశోధన, తయారీ సమయంలో ఆప్టికల్ చిప్‌లు (కంప్యూటేషనల్ ఫోటోనిక్స్ అనలాగ్ ప్రకృతిలో అనలాగ్ అయినందున) వివిధ లోపాలు ఒకే రకమైన వివిధ చిప్‌ల మధ్య గణన ఖచ్చితత్వంలో తేడాలను కలిగిస్తే ఏమి జరుగుతుందనే దానిపై దృష్టి సారించింది. ఇలాంటి అధ్యయనాలు నిర్వహించబడినప్పటికీ, గతంలో వారు సాధ్యమయ్యే లోపాలను తొలగించడానికి పోస్ట్-ఫ్యాబ్రికేషన్ ఆప్టిమైజేషన్‌పై ఎక్కువ దృష్టి పెట్టారు. కానీ నెట్‌వర్క్‌లు పెద్దవిగా మారడంతో ఈ విధానం పేలవమైన స్కేలబిలిటీని కలిగి ఉంది, ఫలితంగా ఆప్టికల్ నెట్‌వర్క్‌లను సెటప్ చేయడానికి అవసరమైన కంప్యూటింగ్ శక్తి పెరుగుతుంది. పోస్ట్-ఫ్యాబ్రికేషన్ ఆప్టిమైజేషన్‌కు బదులుగా, ఇంటెల్ నాయిస్-టాలరెంట్ ఆర్కిటెక్చర్‌ని ఉపయోగించి తయారీకి ముందు శిక్షణ చిప్‌లను ఒక సారిగా పరిగణించింది. రిఫరెన్స్ ఆప్టికల్ న్యూరల్ నెట్‌వర్క్ ఒకసారి శిక్షణ పొందింది, ఆ తర్వాత శిక్షణ పారామితులు అనేక కల్పిత నెట్‌వర్క్ సందర్భాలలో వాటి భాగాలలో తేడాలతో పంపిణీ చేయబడ్డాయి.
ఇంటెల్ బృందం MZI ఆధారంగా కృత్రిమ మేధస్సు వ్యవస్థలను నిర్మించడానికి రెండు నిర్మాణాలను పరిగణించింది: GridNet మరియు FFTNet. GridNet ఊహించదగిన విధంగా MZIలను గ్రిడ్‌లో ఉంచుతుంది, అయితే FFTNet వాటిని సీతాకోకచిలుకలలో ఉంచుతుంది. చేతితో రాసిన అంకెల గుర్తింపు డీప్ లెర్నింగ్ బెంచ్‌మార్క్ టాస్క్ (MNIST)పై అనుకరణలో రెండింటికి శిక్షణ ఇచ్చిన తర్వాత, FFTNet (98% vs. 95%) కంటే GridNet అధిక ఖచ్చితత్వాన్ని సాధించిందని పరిశోధకులు కనుగొన్నారు, అయితే FFTNet నిర్మాణం "గణనీయంగా మరింత దృఢమైనది". వాస్తవానికి, కృత్రిమ శబ్దం (ఆప్టికల్ చిప్ తయారీలో సాధ్యమయ్యే లోపాలను అనుకరించే జోక్యం) చేరికతో గ్రిడ్‌నెట్ పనితీరు 50% దిగువకు పడిపోయింది, అయితే FFTNet కోసం ఇది దాదాపు స్థిరంగా ఉంది.
ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ శిక్షణా పద్ధతులకు తమ పరిశోధన పునాది వేస్తుందని శాస్త్రవేత్తలు అంటున్నారు, ఇవి ఉత్పత్తి అయిన తర్వాత ఆప్టికల్ చిప్‌లను చక్కగా ట్యూన్ చేయవలసిన అవసరాన్ని తొలగించగలవు, విలువైన సమయం మరియు వనరులను ఆదా చేస్తాయి.
"ఏదైనా తయారీ ప్రక్రియలో వలె, కొన్ని లోపాలు ఏర్పడతాయి, అంటే చిప్‌ల మధ్య చిన్న వ్యత్యాసాలు ఉంటాయి, ఇవి గణనల ఖచ్చితత్వాన్ని ప్రభావితం చేస్తాయి" అని ఇంటెల్ AI ఉత్పత్తి గ్రూప్ సీనియర్ డైరెక్టర్ కాసిమిర్ వైర్జిన్స్కి రాశారు. “ఆప్టికల్ న్యూరల్ ఎంటిటీలు AI హార్డ్‌వేర్ పర్యావరణ వ్యవస్థలో ఆచరణీయమైన భాగంగా మారాలంటే, అవి పెద్ద చిప్స్ మరియు పారిశ్రామిక తయారీ సాంకేతికతలకు మారాలి. ముందుగా సరైన నిర్మాణాన్ని ఎంచుకోవడం వలన ఉత్పాదక వైవిధ్యాల సమక్షంలో కూడా చిప్స్ ఆశించిన పనితీరును సాధించే సంభావ్యతను గణనీయంగా పెంచుతుందని మా పరిశోధన చూపిస్తుంది.
ఇంటెల్ ప్రాథమికంగా పరిశోధనలు చేస్తున్న సమయంలోనే, MIT PhD అభ్యర్థి యిచెన్ షెన్ బోస్టన్-ఆధారిత స్టార్టప్ లైట్‌టెలిజెన్స్‌ను స్థాపించారు, ఇది $10,7 మిలియన్ల వెంచర్ ఫండింగ్‌ను సేకరించింది మరియు మెషీన్ లెర్నింగ్ కోసం ఒక ప్రోటోటైప్ ఆప్టికల్ చిప్ ఆధునిక ఎలక్ట్రానిక్ చిప్‌ల కంటే 100 రెట్లు వేగవంతమైనది మరియు విద్యుత్ వినియోగాన్ని మాగ్నిట్యూడ్ యొక్క క్రమం ద్వారా తగ్గిస్తుంది, ఇది ఫోటోనిక్ టెక్నాలజీల వాగ్దానాన్ని మరోసారి స్పష్టంగా ప్రదర్శిస్తుంది.
మూలం: 3dnews.ru