Фотонные интегральные схемы или оптические чипы обещают множество преимуществ по сравнению с электронными аналогами, в том числе такие чипы обещают снижение энергопотребления и ускорение обработки. Вот почему группа исследователей считает, что они могут быть адаптированы для рабочих нагрузок ИИ, и почему некоторые, в том числе доктор наук Ишен Шен из MIT, основали компании для их коммерциализации: Lightelligence, базирующуюся в Бостоне, которая на сегодняшний день привлекла венчурное финансирование на сумму 10,7 млн. долларов США. Недавно компания продемонстрировала прототип, который уменьшает время выполнения команд до 10 000 раз по сравнению с традиционным оборудованием и снижает энергопотребление на «порядок».
Производитель процессоров Intel — еще одна сторона, исследующая рабочие нагрузки ИИ на кремниевую фотонику, и с этой целью ученые из компании Санта-Клара
Как объясняют соавторы в опубликованной статье, предыдущая работа показала, что тип фотонной цепи, известный как интерферометр Маха-Цендера (ИМЦ), может быть сконфигурирован для выполнения умножения 2×2 матриц между величинами, связанными с фазами из двух световых лучей (в математике матрица представляет собой прямоугольный массив чисел, символов или выражений, расположенных в строках и столбцах). Когда эти умножаются эти матрицы, расположенные в треугольной сетке, для создания больших матриц, они создают схему, которая реализует умножение матрицы векторов — основной тип вычислений при глубоком обучении.
Команда Intel рассмотрела две архитектуры для построения системы искусственного интеллекта из ИМЦ: GridNet и FFTNet. GridNet размещает ИМЦ в сетке, а FFTNet размещает их в виде паттерна, похожего на бабочек. После обучения обоих в моделировании эталонной задачи глубокого обучения по распознаванию рукописных цифр (
Ученые утверждают, что их исследования закладывают основу для методов обучения программному обеспечению искусственного интеллекта, которые могут избавить от необходимости тонкой настройки оптических чипов после производства, экономя драгоценное время и трудозатраты.
«Как и в любом производственном процессе, существуют недостатки, которые означают, что в микросхемах и между ними будут небольшие различия, и они будут влиять на точность вычислений», — пишет старший директор группы продуктов Intel AI Казимир Вежински. — «Если ONN станут жизнеспособной частью аппаратной экосистемы искусственного интеллекта, им нужно будет перейти на более крупные микросхемы и технологии промышленного производства… Наши результаты показывают, что выбор правильной архитектуры заранее может значительно увеличить вероятность того, что полученные микросхемы достигнут желаемой производительности даже перед лицом производственных вариаций».