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 в новые методы, которые могут приблизить оптические нейронные сети на шаг ближе к реальности.
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 (), исследователи обнаружили, что GridNet достиг более высокой точности, чем FFTNet (98% против 95%) в случае с числом двойной точности, но зато FFTNet был «значительно более надежным». Фактически, производительность GridNet упала ниже 50% при добавлении искусственного шума, в то время как стабильность FFTNet оставалась почти постоянной.
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».