تراشه‌های سیلیکون فوتونی اینتل می‌تواند باعث ارتقای شبکههای عصبی هوش مصنوعی شود
جدیدترین اخبار از پیشرفت‌های اینتل حاکی از آن است که معماری تراشه‌های جدید این شرکت باعث ارتقا و بهبود سرعت و عملکرد شبکههای عصبی هوش مصنوعی می‌شود.
فعالیت تمام شرکت‌های فعال درزمینه‌ی شبکههای عصبی تا‌به‌حال براساس تراشه‌های سیلیکونی بوده است. پردازنده‌ها (CPU)، پردازنده‌های گرافیکی (GPU)، تراشه‌های پردازش شبکههای عصبی (TPU) و مدارهای مجتمع برنامه‌ریزی‌شدنی (FPGA) همه‌ی این‌ها ممکن است ویژگی‌های عملکردی متفاوتی داشته باشند؛ اما از ماده‌ای واحد ساخته شده‌اند. اینتل مشغول ساخت شبکههای هوش مصنوعی با استفاده از دانش فوتونیک سیلیکونی است؛ دانشی که درزمینه‌ی مطالعات تحقیقاتی و کاربرد انواعی از سیستم‌های فوتونی فعالیت و از سیلیکون به‌عنوان بستر نوری استفاده می‌کند.
دو سال پیش، کار تحقیقاتی پژوهشگران دانشگاه MIT نشان داد شبکههای عصبی نوری (ONN) می‌توانند در عملیات‌های با توان ضعیف و سرعت کم کاربردی باشند. این امکان به‌‌دلیل وجود نوعی مدار فوتونی به‌نام تداخل‌سنج ماخ‌زندر (MZI) است. پیکره‌بندی تداخل‌سنج ماخ‌زندر به‌صورت حاصل‌ضرب ماتریس ۲ در ۲ عمل می‌کند. این تداخل‌سنج می‌تواند برای تعیین نسبت اختلاف فاز بین دو موج برهم‌راستا مربوط به منبع نوری همدوس کاربرد داشته باشد. در این روش، از ضرب‌کردن فازهای دو پرتوی نور به‌صورت ماتریس ۲ در ۲ استفاده می‌شود و با قرارگرفتن MZIها در حالت آرایه‌ی مثلثی‌شکل، ماتریس‌های بزرگ‌تری ایجاد می‌شوند که هسته‌ی اصلی محاسبات مربوط به یادگیری عمیق هستند.
کازیمیر ویرزینسکی، مدیر ارشد دفتر CTO در گروه هوش مصنوعی اینتل گفت:
هر فرایند توسعه و تولید می‌تواند نقایصی داشته باشد و فناوری جدید به دور از نقص نیست؛ اما باید در نظر داشته باشیم تغییرات کوچک در داخل تراشه‌ها می‌تواند بر دقت محاسبات تأثیر بسزایی بگذارد. به‌منظور عملیاتی‌ترکردن شبکههای عصبی نوری (ONN) در تولید، باید بدانیم چقدر به تغییرات معمول در فرایند حساس هستند؛ به‌‌ویژه زمانی‌که در مقیاس‌های واقع‌بینانه و بزرگ‌تری در نظر گرفته می‌شوند. همچنین، تلاش می‌کنیم بفهمیم چگونه می‌توان این تغییرات را باتوجه‌به معماری مدارهای مختلف قدرتمندتر کرد.
در مقاله‌ی جدید اینتل، دو نوع شبکه‌ی عصبی نوری مقاوم دربرابر خطا بررسی شده است. یکی از شبکههای عصبی نوری طراحی قابل‌تنظیم‌تری (GridNet) دارد؛ درحالیکه دیگری با تحمل خطای بهتری (FFTNet) ساخته شده است. معماری GridNet با این پیش‌فرض کار می‌کند که MZIها در یک شبکه هستند؛ درحالیکه FFTNet الگویی پروانه‌ای دارد که معماری آن‌ها برای محاسبات تبدیل سریع فوری (Fast Fourier Transforms) طراحی و مدل‌سازی شده است.
هر دو مدل شبکه‌ی عصبی نوری برای تشخیص دست‌خط آموزش دیده‌اند. GridNet از میزان دقت ۹۵ تا ۹۸ درصدی درمقایسه‌با FFTNet برخوردار است. باوجوداین، FFTNet به‌طورخاص برای رسیدگی به اشتباه‌ها و خطاهای تولید عملکرد قدرتمندتری داشت و با افزودن نویز و انتقال فاز به هر MZI شبیه‌سازی شده است. FFTNet به‌صورت درخورتوجهی از GridNet عملکرد پایدارتری داشت و دراصل، کارایی‌اش با درنظرگرفتن نویز مصنوعی به کمتر از ۵۰ درصد افت می‌کرد؛ درحالیکه کارایی FFTNet در همان شرایط ثابت باقی می‌ماند.
نمونه‌کارهای اولیه و شبیه‌سازی‌شده نشان می‌دهند شبکههای عصبی نوری می‌توانند جایگزین معتبری برای طرح‌های مبتنی‌بر تراشه‌های سیلیکونی باشند. ویرزینسکی اضافه کرد:
مدارهای بزرگ‌تر به دستگاه‌های بیشتری چون MZIها در هر تراشه نیازمندند؛ بنابراین، تلاش برای رسیدن به قابلیت تنظیم دقیق (Fine Tune) در هر دستگاه در تراشه‌ای پس از تولید، مشکلی روبه‌رشد است. روش مقیاس‌پذیرتر برای آموزش ONNها در محیط نرم‌افزار، مدارهای تولیدانبوه براساس این پارامترها خواهد بود. نتایج نشان می‌دهد انتخاب معماری مناسب می‌تواند احتمال دستیابی به مدارهایی با عملکرد مطلوب را افزایش خواهند داد؛ حتی اگر با تغییرات در تولید مواجه شویم.
قابلیت ایجاد ONNهای مؤثر در مواجهه با تغییرات تولیدی، یعنی بهتر است در حین فرایند یادگیری ساخت این مدل شبکه‌ی عصبی، بهینه‌سازی روش ساخت آن‌ها را فرابگیریم. این قابلیت می‌تواند درصورت انبوه‌سازی و رقابت‌پذیری با معماری تراشه‌های سیلیکونی معمولی، به تجاری‌سازی این تراشه‌ها کمک کند.
