پیشرفت اینتل در توسعه‌ تراشه‌های نوری کاربردی در هوش مصنوعی

آخرین اخبار از پیشرفت‌های اینتل برای توسعه‌ی تراشه‌های نوری حکایت می‌‌کند که به سرعت‌بخشیدن فرایندهای مبتنی‌بر هوش مصنوعی منجر می‌شود.

پیشرفت اینتل در توسعه‌ تراشه‌های نوری کاربردی در هوش مصنوعی

مدارهای مجتمع فوتونی (تراشه‌های نوری) مزایای متعددی برای شرکت‌های الکترونیکی خواهند داشت. تراشه‌های نوری ضمن کاهش مصرف انرژی، به افزایش سرعت پردازش منجر می‌شوند؛ به‌همین‌دلیل محققان معتقدند تراشه‌های نوری می‌توانند برای فرایندهای مبتنی‌بر هوش مصنوعی مناسب باشند.

ییچن شن، از محققان MIT، برای تجاری‌سازی تراشه‌های نوری تلاش می‌کند. استارتاپ بوستونی Lightelligence موفق شده سرمایه‌ی ۱۰.۷ میلیون دلاری جذب کند و اخیرا نمونه‌ی اولیه‌ی این تراشه‌های نوری را با بهبود ۱۰ هزار برابری در زمان تأخیر و نیز مصرف انرژی کمتر درمقایسه‌با سخت‌افزار سنّتی توسعه دهد.

اینتل
استارت می‌زند

اینتل، یکی دیگر از شرکت‌های تولیدکنند‌ه‌ی تراشه، پیشرفت‌های درخورتوجهی درزمینه‌ی توسعه‌ی تراشه‌های فوتونی سیلیکونی کرده که باعث سرعت‌بخشیدن به فرایندهای سیستم‌های مبتنی‌بر هوش مصنوعی می‌شود. محققان این شرکت در سانتاکلارا، اخیرا در مقاله‌ای اطلاعات مربوط‌به فناوری توسعه‌یافته‌ی خود را منتشر کرده‌اند که می‌تواند گامی روبه‌جلو برای واقعیت‌بخشیدن به شبکه‌های عصبی نوری باشد.

اطلاعات منتشرشده در پست وبلاگ نشان می‌دهد پیش‌تر از نوعی مدار فوتونی با تداخل سنج ماخ-زندر (MZI) استفاده می‌شد که این تداخل‌سنج می‌تواند برای تعیین نسبت اختلاف فاز بین دو موج‌بر هم‌راستا مربوط‌به منبع نوری همدوس کاربرد داشته باشد. در این روش، از ضرب‌کردن فازهای دو پرتوی نور به‌صورت ماتریس دو در دو استفاده می‌شود (در ریاضیات، ماتریس آرایه‌ی مستطیلی‌شکل از اعداد یا نمادها یا عبارات مرتب در ردیف‌ها و ستون‌ها تعریف می‌شود). زمانی‌که ماتریس‌های کوچک در حالت آرایه‌ی مثلثی‌شکل قرار گیرند، ماتریس‌های بزرگ‌تری ایجاد می‌کنند که هسته‌ی اصلی محاسبات مربوط‌به یادگیری عمیق محسوب می‌شوند.

مهندسان اینتل از دو معماری GridNet و FFTNet برای توسعه‌ی سیستم مبتنی‌بر هوش مصنوعی ازطریق MZI‌ها استفاده کردند. معماری GridNet با این پیش‌فرض کار می‌کند که MZI‌ها در یک شبکه هستند؛ در‌حالی‌که FFTNet الگوی شبیه پروانه دارد. محققان پس از آموزش هر دو معماری برمبنای بنچمارک یادگیری عمیق، دریافتند GridNet با ۹۸ درصد درمقایسه‌با FFTNet با ۹۵ درصد، دقت بیشتری نشان می‌دهد. باوجوداین، نتایج بررسی نشان می‌داد FFTNet به‌صورت درخورتوجهی از GridNet عملکرد پایدارتری دارد. دراصل، کارایی GridNet با درنظرگرفتن نویز مصنوعی به کمتر از ۵۰ درصد افت می‌کرد؛ درحالی‌که کارایی FFTNet در همان شرایط ثابت باقی می‌ماند.

دانشمندان معتقدند چنین تحقیقاتی می‌تواند زمینه‌ساز توسعه‌ی فناوری‌هایی مبتنی‌بر هوش مصنوعی شود. تراشه‌های نوری می‌توانند هم مدت آموزش به سیستم‌های مبتنی‌بر هوش مصنوعی را کاهش دهند و هم حجم کار آموزش سیستم‌ها را کاهش دهند. کازیمیر ویرزینسکی، مدیر ارشد گروه هوش مصنوعی اینتل، معتقد است:

هر فرایند توسعه و تولید می‌تواند نقایصی داشته باشد و فناوری جدید نیز عاری از نقص نیست؛ اما باید در نظر داشته باشیم تغییرات کوچک در داخل تراشه‌ها می‌تواند بر دقت محاسبات تأثیر بسزایی بگذارد. اگر قرار باشد شبکه‌های عصبی نوری به قطعه‌ای حیاتی در اکوسیستم سخت‌افزاری مبتنی‌بر هوش مصنوعی تبدیل شوند، در مدارهای بزرگ‌تر و فناوری‌های صنعتی تولید باید به‌کار گرفته شوند. نتایج نشان می‌دهد انتخاب معماری مناسب در پیشبرد این اهداف نقش مهمی ایفا می‌کند و باعث می‌شود فرایند تولید با تغییرات چشمگیری رو‌به‌رو شود.

 

منبع : زومبت