Mạch tích hợp quang tử, hay chip quang, có khả năng mang lại nhiều lợi thế so với các mạch điện tử tương tự, chẳng hạn như giảm mức tiêu thụ điện năng và giảm độ trễ trong tính toán. Đó là lý do tại sao nhiều nhà nghiên cứu tin rằng chúng có thể cực kỳ hiệu quả trong các nhiệm vụ học máy và trí tuệ nhân tạo (AI). Intel cũng nhìn thấy triển vọng lớn cho việc sử dụng quang tử silicon theo hướng này. Nhóm nghiên cứu của cô ở các kỹ thuật mới chi tiết có thể đưa mạng lưới thần kinh quang học tiến một bước gần hơn đến thực tế.
Trong một gần đây , dành riêng cho học máy, mô tả cách bắt đầu nghiên cứu trong lĩnh vực mạng lưới thần kinh quang học. Nghiên cứu của David AB Miller và Michael Reck đã chứng minh rằng một loại mạch quang tử được gọi là giao thoa kế Mach-Zehnder (MZI) có thể được cấu hình để thực hiện phép nhân ma trận 2 × 2 khi đặt MZI trên lưới tam giác để nhân các ma trận lớn, người ta có thể có được một mạch thực hiện thuật toán nhân vectơ ma trận, một phép tính cơ bản được sử dụng trong học máy.
Nghiên cứu mới của Intel tập trung vào điều gì xảy ra khi các khiếm khuyết khác nhau mà chip quang dễ mắc phải trong quá trình sản xuất (vì quang tử tính toán có bản chất tương tự) gây ra sự khác biệt về độ chính xác tính toán giữa các chip khác nhau cùng loại. Mặc dù các nghiên cứu tương tự đã được tiến hành nhưng trước đây họ tập trung nhiều hơn vào việc tối ưu hóa sau chế tạo để loại bỏ những sai sót có thể xảy ra. Nhưng cách tiếp cận này có khả năng mở rộng kém khi mạng trở nên lớn hơn, dẫn đến tăng sức mạnh tính toán cần thiết để thiết lập mạng quang. Thay vì tối ưu hóa sau quá trình chế tạo, Intel đã cân nhắc việc đào tạo chip một lần trước khi sản xuất bằng cách sử dụng kiến trúc chống ồn. Mạng nơ ron quang học tham chiếu được huấn luyện một lần, sau đó các tham số huấn luyện được phân phối trên một số phiên bản mạng được chế tạo với sự khác biệt về thành phần của chúng.
Nhóm Intel đã xem xét hai kiến trúc để xây dựng hệ thống trí tuệ nhân tạo dựa trên MZI: GridNet và FFTNet. GridNet có thể dự đoán đặt MZI vào lưới, trong khi FFTNet đặt chúng theo dạng bướm. Sau khi huấn luyện cả hai trong một mô phỏng về nhiệm vụ điểm chuẩn học sâu nhận dạng chữ số viết tay (MNIST), các nhà nghiên cứu nhận thấy rằng GridNet đạt được độ chính xác cao hơn FFTNet (98% so với 95%), nhưng kiến trúc FFTNet “mạnh mẽ hơn đáng kể”. Trên thực tế, hiệu suất của GridNet đã giảm xuống dưới 50% khi bổ sung thêm nhiễu nhân tạo (sự can thiệp mô phỏng các khiếm khuyết có thể xảy ra trong quá trình sản xuất chip quang), trong khi đối với FFTNet thì nó gần như không đổi.
Các nhà khoa học cho biết nghiên cứu của họ đặt nền tảng cho các phương pháp đào tạo trí tuệ nhân tạo có thể loại bỏ nhu cầu tinh chỉnh chip quang sau khi chúng được sản xuất, tiết kiệm thời gian và tài nguyên quý giá.
Casimir Wierzynski, giám đốc cấp cao của Intel AI Product Group, cho biết: “Giống như bất kỳ quy trình sản xuất nào, một số lỗi nhất định sẽ xảy ra, đồng nghĩa với việc sẽ có những khác biệt nhỏ giữa các con chip và sẽ ảnh hưởng đến độ chính xác của phép tính”. “Nếu các thực thể thần kinh quang học muốn trở thành một phần khả thi của hệ sinh thái phần cứng AI, chúng sẽ cần chuyển sang các chip lớn hơn và công nghệ sản xuất công nghiệp. Nghiên cứu của chúng tôi cho thấy rằng việc chọn kiến trúc phù hợp ngay từ đầu có thể làm tăng đáng kể khả năng các chip tạo ra sẽ đạt được hiệu suất mong muốn, ngay cả khi có sự thay đổi trong sản xuất.”
Cùng lúc với việc Intel chủ yếu tiến hành nghiên cứu, ứng viên Tiến sĩ Yichen Shen của MIT đã thành lập công ty khởi nghiệp Lightelligence có trụ sở tại Boston, công ty này đã huy động được 10,7 triệu USD vốn đầu tư mạo hiểm và một chip quang nguyên mẫu dành cho máy học nhanh hơn 100 lần so với chip điện tử hiện đại và cũng giảm mức tiêu thụ điện năng ở mức độ lớn, điều này một lần nữa thể hiện rõ ràng sự hứa hẹn của công nghệ quang tử.
Nguồn: 3dnews.ru