英特爾正在研究光學芯片以提高人工智能的效率

光子積體電路或光學晶片可能比電子晶片具有許多優勢，例如降低功耗和減少運算延遲。 這就是為什麼許多研究人員認為它們在機器學習和人工智慧 (AI) 任務中非常有效。 英特爾也看到了矽光子學在這個方向上的應用前景。 她的研究團隊在 科學文章 詳細的新技術可以使光學神經網路更接近現實。

在最近的一次 英特爾部落格文章致力於機器學習，描述了光學神經網路領域的研究是如何開始的。 David AB Miller 和Michael Reck 的研究表明，一種稱為馬赫曾德干涉儀(MZI) 的光子電路可以配置為執行2 × 2 矩陣乘法，當將MZI 放置在三角形網格上以乘以大矩陣時，可以獲得實現矩陣向量乘法演算法的電路，這是機器學習中使用的基本計算。

英特爾的新研究重點關注光學晶片在製造過程中容易出現的各種缺陷（因為計算光子學本質上是模擬的）導致同一類型不同晶片之間的計算精度存在差異時會發生什麼情況。 儘管已經進行了類似的研究，但過去他們更專注於製造後優化，以消除可能的不準確性。 但隨著網路變得越來越大，這種方法的可擴展性很差，導致建立光網路所需的運算能力增加。 英特爾沒有考慮在製造後進行最佳化，而是考慮在製造前使用耐噪音架構對晶片進行一次性訓練。 參考光學神經網路經過一次訓練，之後訓練參數分佈在幾個組件不同的製造網路實例中。

英特爾團隊考慮了兩種基於 MZI 建構人工智慧系統的架構：GridNet 和 FFTNet。 GridNet 可以預見地將 MZI 放置在網格中，而 FFTNet 將它們放置在蝴蝶中。 在手寫數位辨識深度學習基準任務 (MNIST) 的模擬中進行訓練後，研究人員發現 GridNet 的準確率比 FFTNet 更高（98% 比 95%），但 FFTNet 架構「明顯更加穩健」。 事實上，由於添加了人工雜訊（模擬光學晶片製造中可能存在的缺陷的干擾），GridNet 的性能下降到了 50% 以下，而 FFTNet 的性能幾乎保持不變。

科學家表示，他們的研究為人工智慧訓練方法奠定了基礎，可以消除光學晶片生產後對其進行微調的需要，從而節省寶貴的時間和資源。

英特爾人工智慧產品部高級總監 Casimir Wierzynski 寫道：“與任何製造過程一樣，總是會出現某些缺陷，這意味著晶片之間會存在微小差異，從而影響計算的準確性。” 「如果光學神經實體要成為人工智慧硬體生態系統的可行部分，它們將需要轉向更大的晶片和工業製造技術。 我們的研究表明，即使存在製造差異，預先選擇正確的架構也可以顯著增加最終晶片實現所需性能的可能性。”

在英特爾主要進行研究的同時，麻省理工學院博士生沉一塵創立了總部位於波士頓的新創公司 Lightelligence，該公司已籌集 10,7 萬美元的風險投資和 最近展示的 用於機器學習的原型光學晶片，其速度比現代電子晶片快 100 倍，並且功耗降低了一個數量級，這再次清楚地證明了光子技術的前景。

來源： 3dnews.ru