Fotonik entegre devreler veya optik çipler, elektronik muadillerine göre potansiyel olarak daha az güç tüketimi ve daha az hesaplama gecikmesi gibi birçok avantaj sunar. Bu nedenle birçok araştırmacı, makine öğrenimi ve yapay zeka (AI) görevlerinde son derece etkili olabileceklerine inanıyor. Intel ayrıca silikon fotoniklerin bu yönde kullanılması konusunda da büyük umutlar görüyor. Onun araştırma ekibi Optik sinir ağlarını gerçeğe bir adım daha yaklaştırabilecek ayrıntılı yeni teknikler.
Son zamanlarda Makine öğrenimine adanmış, optik sinir ağları alanındaki araştırmaların nasıl başladığını anlatıyor. David AB Miller ve Michael Reck tarafından yapılan araştırma, Mach-Zehnder interferometresi (MZI) olarak bilinen bir tür fotonik devrenin, MZI büyük matrisleri çarpmak için üçgen bir ağa yerleştirildiğinde 2 × 2 matris çarpımı gerçekleştirecek şekilde yapılandırılabileceğini gösterdi. Makine öğreniminde kullanılan temel bir hesaplama olan matris-vektör çarpım algoritmasını uygulayan bir devre elde edin.
Yeni Intel araştırması, optik çiplerin üretim sırasında hassas olduğu çeşitli kusurların (hesaplamalı fotonik doğası gereği analog olduğu için) aynı türdeki farklı çipler arasında hesaplama doğruluğunda farklılıklara neden olması durumunda ne olacağına odaklandı. Benzer çalışmalar yapılmış olsa da geçmişte olası yanlışlıkları ortadan kaldırmak için daha çok üretim sonrası optimizasyona odaklanılıyordu. Ancak ağlar büyüdükçe bu yaklaşımın ölçeklenebilirliği zayıflıyor ve bu da optik ağları kurmak için gereken bilgi işlem gücünde artışa neden oluyor. Üretim sonrası optimizasyon yerine Intel, gürültüye dayanıklı bir mimari kullanarak çipleri üretimden önce bir kez eğitmeyi düşündü. Referans optik sinir ağı bir kez eğitildi ve ardından eğitim parametreleri, bileşenlerindeki farklılıklar ile çeşitli fabrikasyon ağ örneklerine dağıtıldı.
Intel ekibi, MZI'ye dayalı yapay zeka sistemleri oluşturmak için iki mimariyi değerlendirdi: GridNet ve FFTNet. GridNet tahmin edilebileceği gibi MZI'leri bir ızgaraya yerleştirirken, FFTNet onları kelebeklerin içine yerleştirir. El yazısı rakam tanıma derin öğrenme kıyaslama görevi (MNIST) üzerine bir simülasyonda eğitim aldıktan sonra araştırmacılar, GridNet'in FFTNet'ten daha yüksek doğruluk elde ettiğini (%98'e karşı %95) ancak FFTNet mimarisinin "önemli ölçüde daha sağlam" olduğunu buldular. Aslında, GridNet'in performansı yapay gürültünün (optik çip üretiminde olası kusurları simüle eden parazit) eklenmesiyle %50'nin altına düşerken, FFTNet için neredeyse sabit kaldı.
Bilim adamları, araştırmalarının, optik çiplerin üretildikten sonra ince ayar yapma ihtiyacını ortadan kaldırabilecek, değerli zaman ve kaynaklardan tasarruf sağlayabilecek yapay zeka eğitim yöntemlerinin temelini oluşturduğunu söylüyor.
Intel AI Ürün Grubu kıdemli direktörü Casimir Wierzynski, "Herhangi bir üretim sürecinde olduğu gibi, çipler arasında hesaplamaların doğruluğunu etkileyecek küçük farklılıklar olacağı anlamına gelen belirli kusurlar meydana gelecektir" diye yazıyor. “Eğer optik sinir varlıkları, yapay zeka donanım ekosisteminin uygulanabilir bir parçası olacaksa, daha büyük çiplere ve endüstriyel üretim teknolojilerine geçmeleri gerekecek. Araştırmamız, doğru mimariyi önceden seçmenin, ortaya çıkan çiplerin üretim farklılıkları olsa bile istenen performansı elde etme olasılığını önemli ölçüde artırabileceğini gösteriyor."
Intel'in öncelikli olarak araştırma yürüttüğü aynı zamanda, MIT Doktora adayı Yichen Shen, girişim finansmanı olarak 10,7 milyon dolar toplayan Boston merkezli startup Lightelligence'ı kurdu ve Modern elektronik çiplerden 100 kat daha hızlı olan ve aynı zamanda güç tüketimini de büyük ölçüde azaltan, makine öğrenimi için prototip bir optik çip; bu, fotonik teknolojilerin vaadini bir kez daha açıkça ortaya koyuyor.
Kaynak: 3dnews.ru