Ang mga photonic integrated circuit, o optical chips, ay potensyal na nag-aalok ng maraming pakinabang sa kanilang mga electronic counterparts, tulad ng pinababang paggamit ng kuryente at pinababang latency sa pag-compute. Iyon ang dahilan kung bakit naniniwala ang maraming mananaliksik na maaari silang maging lubhang epektibo sa mga gawain sa machine learning at artificial intelligence (AI). Nakikita rin ng Intel ang magagandang prospect para sa paggamit ng mga silikon na photonic sa direksyong ito. Ang kanyang pangkat ng pananaliksik sa detalyadong mga bagong diskarte na maaaring magdala ng mga optical neural network ng isang hakbang na mas malapit sa katotohanan.
Sa isang kamakailang , na nakatuon sa machine learning, ay naglalarawan kung paano nagsimula ang pananaliksik sa larangan ng optical neural network. Ang pananaliksik nina David AB Miller at Michael Reck ay nagpakita na ang isang uri ng photonic circuit na kilala bilang isang Mach-Zehnder interferometer (MZI) ay maaaring i-configure upang maisagawa ang 2 Γ 2 matrix multiplication kapag inilagay ang MZI sa isang triangular na mesh para sa pagpaparami ng malalaking matrice, maaari ang isa. kumuha ng circuit na nagpapatupad ng matrix-vector multiplication algorithm, isang pangunahing kalkulasyon na ginagamit sa machine learning.
Nakatuon ang bagong pananaliksik ng Intel sa kung ano ang mangyayari kapag ang iba't ibang mga depekto na madaling kapitan ng mga optical chip sa panahon ng pagmamanupaktura (dahil ang computational photonics ay analog sa kalikasan) ay nagdudulot ng mga pagkakaiba sa katumpakan ng computational sa pagitan ng iba't ibang chip ng parehong uri. Bagama't ang mga katulad na pag-aaral ay isinagawa, sa nakaraan ay mas nakatuon sila sa pag-optimize ng post-fabrication upang maalis ang mga posibleng kamalian. Ngunit ang diskarte na ito ay may mahinang scalability habang ang mga network ay nagiging mas malaki, na nagreresulta sa isang pagtaas sa kapangyarihan ng computing na kinakailangan upang mag-set up ng mga optical network. Sa halip na pag-optimize ng post-fabrication, isinasaalang-alang ng Intel ang mga training chip nang isang beses bago ang pagmamanupaktura sa pamamagitan ng paggamit ng noise-tolerant architecture. Ang sanggunian na optical neural network ay sinanay nang isang beses, pagkatapos kung saan ang mga parameter ng pagsasanay ay ipinamahagi sa ilang mga gawa-gawang pagkakataon ng network na may mga pagkakaiba sa kanilang mga bahagi.
Isinaalang-alang ng pangkat ng Intel ang dalawang arkitektura para sa pagbuo ng mga artificial intelligence system batay sa MZI: GridNet at FFTNet. Mahuhulaan na inilalagay ng GridNet ang mga MZI sa isang grid, habang inilalagay ng FFTNet ang mga ito sa mga butterflies. Pagkatapos ng pagsasanay pareho sa isang simulation sa handwritten digit recognition deep learning benchmark task (MNIST), natuklasan ng mga mananaliksik na ang GridNet ay nakakuha ng mas mataas na katumpakan kaysa sa FFTNet (98% kumpara sa 95%), ngunit ang arkitektura ng FFTNet ay "higit na mas matatag." Sa katunayan, ang pagganap ng GridNet ay bumaba sa ibaba 50% kasama ang pagdaragdag ng artipisyal na ingay (panghihimasok na gayahin ang mga posibleng depekto sa pagmamanupaktura ng optical chip), habang para sa FFTNet ito ay nanatiling halos pare-pareho.
Sinasabi ng mga siyentipiko na ang kanilang pananaliksik ay naglalagay ng pundasyon para sa mga pamamaraan ng pagsasanay sa artificial intelligence na maaaring mag-alis ng pangangailangan na i-fine-tune ang mga optical chips pagkatapos gawin ang mga ito, na nagse-save ng mahalagang oras at mapagkukunan.
"Tulad ng anumang proseso ng pagmamanupaktura, magaganap ang ilang mga depekto na nangangahulugang magkakaroon ng maliliit na pagkakaiba sa pagitan ng mga chips na makakaapekto sa katumpakan ng mga kalkulasyon," isinulat ni Casimir Wierzynski, senior director ng Intel AI Product Group. "Kung ang mga optical neural entity ay magiging isang mabubuhay na bahagi ng AI hardware ecosystem, kakailanganin nilang lumipat sa mas malalaking chips at mga teknolohiya sa pagmamanupaktura ng industriya. Ipinapakita ng aming pananaliksik na ang pagpili ng tamang arkitektura sa harapan ay maaaring makabuluhang tumaas ang posibilidad na ang mga resultang chips ay makakamit ang ninanais na pagganap, kahit na sa pagkakaroon ng mga pagkakaiba-iba ng pagmamanupaktura."
Kasabay ng pangunahing pagsasaliksik ng Intel, ang kandidato ng MIT PhD na si Yichen Shen ay nagtatag ng Boston-based startup na Lightelligence, na nakalikom ng $10,7 milyon sa venture funding at isang prototype optical chip para sa machine learning na 100 beses na mas mabilis kaysa sa modernong electronic chips at binabawasan din ang pagkonsumo ng kuryente sa isang order ng magnitude, na muli ay malinaw na nagpapakita ng pangako ng mga photonic na teknolohiya.
Pinagmulan: 3dnews.ru