فوٹوونک انٹیگریٹڈ سرکٹس، یا آپٹیکل چپس، ممکنہ طور پر اپنے الیکٹرانک ہم منصبوں پر بہت سے فوائد پیش کرتے ہیں، جیسے کہ کم بجلی کی کھپت اور حساب میں تاخیر میں کمی۔ اسی لیے بہت سے محققین کا خیال ہے کہ وہ مشین لرننگ اور مصنوعی ذہانت (AI) کے کاموں میں انتہائی موثر ثابت ہو سکتے ہیں۔ انٹیل کو اس سمت میں سلیکون فوٹوونکس کے استعمال کے بڑے امکانات بھی نظر آتے ہیں۔ اس کی ریسرچ ٹیم میں تفصیلی نئی تکنیکیں جو آپٹیکل نیورل نیٹ ورکس کو حقیقت کے ایک قدم قریب لا سکتی ہیں۔
حال ہی میں مشین لرننگ کے لیے وقف، یہ بتاتا ہے کہ آپٹیکل نیورل نیٹ ورکس کے شعبے میں تحقیق کیسے شروع ہوئی۔ ڈیوڈ اے بی ملر اور مائیکل ریک کی تحقیق نے یہ ثابت کیا ہے کہ ایک قسم کا فوٹوونک سرکٹ جسے Mach-Zehnder انٹرفیرومیٹر (MZI) کہا جاتا ہے کو 2 × 2 میٹرکس ضرب کرنے کے لیے ترتیب دیا جا سکتا ہے جب MZI کو ایک مثلثی جالی پر بڑے میٹرکس کو ضرب دینے کے لیے رکھا جائے تو کوئی بھی کر سکتا ہے۔ ایک سرکٹ حاصل کریں جو میٹرکس ویکٹر ضرب الگورتھم کو لاگو کرتا ہے، مشین لرننگ میں استعمال ہونے والا ایک بنیادی حساب۔
انٹیل کی نئی تحقیق نے اس بات پر توجہ مرکوز کی کہ کیا ہوتا ہے جب آپٹیکل چپس مینوفیکچرنگ کے دوران مختلف نقائص کا شکار ہو جاتے ہیں (کیونکہ کمپیوٹیشنل فوٹوونکس فطرت کے مطابق ہوتا ہے) ایک ہی قسم کے مختلف چپس کے درمیان کمپیوٹیشنل درستگی میں فرق پیدا کرتا ہے۔ اگرچہ اسی طرح کے مطالعے کیے گئے ہیں، ماضی میں انہوں نے ممکنہ غلطیوں کو ختم کرنے کے لیے پوسٹ فیبریکیشن کی اصلاح پر زیادہ توجہ مرکوز کی۔ لیکن اس نقطہ نظر میں ناقص اسکیل ایبلٹی ہے کیونکہ نیٹ ورکس بڑے ہو جاتے ہیں، جس کے نتیجے میں آپٹیکل نیٹ ورکس قائم کرنے کے لیے درکار کمپیوٹنگ پاور میں اضافہ ہوتا ہے۔ پوسٹ فیبریکیشن آپٹیمائزیشن کے بجائے، انٹیل نے شور برداشت کرنے والے فن تعمیر کا استعمال کرتے ہوئے مینوفیکچرنگ سے پہلے ایک بار ٹریننگ چپس پر غور کیا۔ حوالہ آپٹیکل نیورل نیٹ ورک کو ایک بار تربیت دی گئی تھی، جس کے بعد تربیت کے پیرامیٹرز کو ان کے اجزاء میں فرق کے ساتھ کئی من گھڑت نیٹ ورک مثالوں میں تقسیم کیا گیا تھا۔
انٹیل ٹیم نے MZI پر مبنی مصنوعی ذہانت کے نظام کی تعمیر کے لیے دو فن تعمیرات پر غور کیا: GridNet اور FFTNet۔ GridNet ممکنہ طور پر MZIs کو گرڈ میں رکھتا ہے، جبکہ FFTNet انہیں تتلیوں میں رکھتا ہے۔ دونوں کو ہاتھ سے لکھے ہندسوں کی شناخت ڈیپ لرننگ بینچ مارک ٹاسک (MNIST) پر نقلی تربیت دینے کے بعد، محققین نے پایا کہ GridNet نے FFTNet (98% بمقابلہ 95%) سے زیادہ درستگی حاصل کی، لیکن FFTNet فن تعمیر "نمایاں طور پر زیادہ مضبوط" تھا۔ درحقیقت، GridNet کی کارکردگی مصنوعی شور کے اضافے کے ساتھ 50% سے نیچے گر گئی (مداخلت جو آپٹیکل چپ مینوفیکچرنگ میں ممکنہ نقائص کی تقلید کرتی ہے)، جبکہ FFTNet کے لیے یہ تقریباً مستقل رہی۔
سائنسدانوں کا کہنا ہے کہ ان کی تحقیق مصنوعی ذہانت کے تربیتی طریقوں کی بنیاد رکھتی ہے جو آپٹیکل چپس کو تیار کرنے کے بعد ان کو ٹھیک کرنے کی ضرورت کو ختم کر سکتی ہے، جس سے قیمتی وقت اور وسائل کی بچت ہوتی ہے۔
Intel AI پروڈکٹ گروپ کے سینئر ڈائریکٹر Casimir Wierzynski لکھتے ہیں، "کسی بھی مینوفیکچرنگ کے عمل کی طرح، کچھ نقائص پیدا ہوں گے جس کا مطلب ہے کہ چپس کے درمیان چھوٹے فرق ہوں گے جو حساب کی درستگی کو متاثر کریں گے۔" "اگر آپٹیکل نیورل اداروں کو AI ہارڈویئر ماحولیاتی نظام کا ایک قابل عمل حصہ بننا ہے، تو انہیں بڑے چپس اور صنعتی مینوفیکچرنگ ٹیکنالوجیز کی طرف جانے کی ضرورت ہوگی۔ ہماری تحقیق سے پتہ چلتا ہے کہ سامنے کے صحیح فن تعمیر کا انتخاب اس امکان کو نمایاں طور پر بڑھا سکتا ہے کہ نتیجے میں آنے والی چپس مطلوبہ کارکردگی حاصل کر لے گی، یہاں تک کہ مینوفیکچرنگ کی مختلف حالتوں کی موجودگی میں بھی۔"
اسی وقت جب Intel بنیادی طور پر تحقیق کر رہا ہے، MIT پی ایچ ڈی کے امیدوار Yichen Shen نے بوسٹن میں قائم سٹارٹ اپ Lightelligence کی بنیاد رکھی، جس نے 10,7 ملین ڈالر کی وینچر فنڈنگ میں اضافہ کیا اور مشین لرننگ کے لیے ایک پروٹوٹائپ آپٹیکل چپ جو کہ جدید الیکٹرانک چپس سے 100 گنا تیز ہے اور ایک ترتیب سے بجلی کی کھپت کو بھی کم کرتی ہے، جو ایک بار پھر واضح طور پر فوٹوونک ٹیکنالوجیز کے وعدے کو ظاہر کرتی ہے۔
ماخذ: 3dnews.ru