গবেষকদের একটি দল সরাসরি শারীরিক চিপে ফোটোনিক ইন্টিগ্রেটেড সার্কিট প্রশিক্ষণের জন্য একটি সাধারণ পদ্ধতি প্রদর্শন করেছে, একটি পদক্ষেপ যা স্থির, পূর্ব-পরিকল্পিত এক্সিলারেটর থেকে অপটিক্যাল প্রসেসরকে হার্ডওয়্যারে পরিণত করতে পারে যা এটি তৈরি হওয়ার পরে শেখে। নেচার কম্পিউটেশনাল সায়েন্সে প্রকাশিত এই কাজটি "ফোটোনিক সার্কিটগুলি প্রশিক্ষনযোগ্য এআই হার্ডওয়্যার হয়ে ওঠে" শিরোনামের একটি সহচর সংক্ষিপ্তে সংক্ষিপ্ত করা হয়েছে।
ইন্সপায়ার নামক পদ্ধতিটি — অন-চিপের জন্য সংক্ষিপ্ত, ইন সিটু ফিজিক্যাল গ্রেডিয়েন্ট ডিসেন্ট — কৃত্রিম বুদ্ধিমত্তার জন্য ফোটোনিক কম্পিউটিং-এর কেন্দ্রীয় বাধাগুলির মধ্যে একটির সমাধান করে: যদিও ফোটোনিক প্রসেসরগুলি গতি এবং শক্তি দক্ষতায় বড় লাভের প্রতিশ্রুতি দেয়, তবে তাদের প্রশিক্ষণ মূলত ডিজিটাল সিমুলেশনের মধ্যেই সীমাবদ্ধ থেকে যায় যার জন্য ব্যয়বহুল শারীরিক মডেলিং এবং ফ্যাব্রিক মডেলিং ত্রুটির প্রয়োজন হয়। For more context on this story, see our ongoing AI industry coverage.
কেন ফোটোনিক এআই চিপগুলি প্রশিক্ষণ দেওয়া কঠিন
বেশিরভাগ নিউরাল নেটওয়ার্ক আজ ডিজিটাল হার্ডওয়্যারে প্রশিক্ষিত, যেখানে গ্রেডিয়েন্ট ঠিকভাবে গণনা করা যায়। ফোটোনিক সার্কিটগুলি আলাদা: আলোর হস্তক্ষেপ, বিক্ষিপ্ত এবং দম্পতিগুলি এমন উপায়ে যা পুরোপুরি মডেল করা কঠিন, এবং ক্ষুদ্র উত্পাদন বৈচিত্র্যের অর্থ হল ল্যাবে একটি চিপ খুব কমই তার ডিজিটাল টুইন এর মতো আচরণ করে। নেটওয়ার্কটিকে অফলাইনে প্রশিক্ষণ দেওয়া এবং তারপরে প্যারামিটারগুলিকে চিপে স্থানান্তর করার অর্থ হল একটি অমিল গ্রহণ করা যা সঠিকতাকে হ্রাস করে।
পূর্ববর্তী গবেষণা সমস্যাটি দূরে সরিয়ে দিয়েছে। অধ্যয়নগুলি ফটোনিক নিউরাল নেটওয়ার্কগুলিতে সিটু ব্যাকপ্রোপাগেশন এবং গ্রেডিয়েন্ট পরিমাপে প্রদর্শন করেছে এবং 2024 সালে গবেষকরা ডিজিটাল মডেল এমুলেশনের উপর নির্ভরতা কমাতে অপটিক্যাল নিউরাল নেটওয়ার্কগুলির জন্য সম্পূর্ণ ফরোয়ার্ড মোড প্রশিক্ষণ চালু করেছেন। নতুন কাজটি একটি পদ্ধতির দাবি করে এই লাইনটিকে প্রসারিত করে যা সার্কিট আর্কিটেকচার জুড়ে সাধারণ নয় বরং একটি ডিজাইনের জন্য উপযুক্ত।
কিভাবে ইন্সপায়ার কাজ করে
কাগজ অনুসারে, দ্বিমুখী ফোটোনিক মোডগুলির সম্পূর্ণ জটিল ক্ষেত্রগুলি পরিমাপ করতে ইন্সপায়ার অন-চিপ সিন্থেটিক টাইম-রিভার্সাল হোলোগ্রাফি ব্যবহার করে। এই পরিমাপটি সার্কিটকে নিজেই গ্রেডিয়েন্ট গণনা করতে এবং চিপের সম্পূর্ণ ডিজিটাল মডেলের প্রয়োজন ছাড়াই নিজস্ব প্যারামিটার আপডেট করতে দেয়।
ব্যবহারিক পরিণতি তাৎপর্যপূর্ণ। যেহেতু গ্রেডিয়েন্ট কম্পিউটেশন ভৌত সিস্টেমের মধ্যে ঘটে, তাই বিভিন্ন সার্কিট টপোলজি তৈরির পরে প্রশিক্ষণ দেওয়া যেতে পারে এবং হার্ডওয়্যারটি বিশ্বস্ত ডিজিটাল প্রতিরূপ ছাড়াই ম্যাট্রিক্স ডিজাইন, মাল্টিওয়েভেলংথ কম্পিউটেশন এবং দ্রুত মেটা-লার্নিং পরিচালনা করতে পারে। প্রচলিত ওয়ার্কফ্লোতে, এই পদক্ষেপগুলির প্রত্যেকটি সিমুলেশন নির্ভুলতার উপর নির্ভর করবে যে বাস্তব-বিশ্ব চিপগুলি গ্যারান্টি দিতে পারে না।
ফ্রেমওয়ার্কটিকে টপোলজি-অজ্ঞেয়বাদী হিসাবে বর্ণনা করা হয়েছে, যার অর্থ এটি একটি একক বেসপোক লেআউটের পরিবর্তে বিভিন্ন অপটিক্যাল সার্কিট ডিজাইনের সাথে কাজ করে। যেহেতু গ্রেডিয়েন্টগুলি শারীরিকভাবে পরিমাপ করা হয়, নেটওয়ার্কটিকে তৈরি করার পরে প্রশিক্ষিত করা যেতে পারে, খুব উত্পাদনের অসম্পূর্ণতাগুলিকে শোষণ করে যা অন্যথায় শব্দ হিসাবে গণনা করা হবে।
ফলাফল
রিপোর্ট করা সংখ্যা নির্দিষ্ট। পরীক্ষায়, পদ্ধতিটি 0.26% এর আপেক্ষিক ত্রুটির সাথে প্রশিক্ষিত ম্যাট্রিক্স প্রদান করে। দলটি সার্কিটে নেটিভ টিউনেবল এলিমেন্টের সংখ্যার চেয়ে বড় ম্যাট্রিক্সের জন্য স্ক্যাটারিং মিডিয়ার মাধ্যমে সিটু প্রশিক্ষণে প্রদর্শন করেছে - নামমাত্র সমস্যাটির চেয়ে কম শারীরিক নিয়ন্ত্রণের সাথে কার্যকরভাবে শেখা।
সম্ভবত সবচেয়ে আকর্ষণীয়, গবেষকরা দেখিয়েছেন যে মেটা-ফটোনিক সার্কিটগুলি সিটু মেটা-লার্নিং-এ পারফর্ম করতে পারে, তারা 251-গুণ মডেল কম্প্রেশন এবং 136-গুণ টাস্ক-নির্দিষ্ট প্রশিক্ষণ ত্বরণ সহ একক-শট ফোটোনিক লার্নিং হিসাবে বর্ণনা করে। কম্প্যানিয়ন ব্রিফ যোগ করে যে হার্ডওয়্যারটি সার্কিটের সম্পূর্ণ ডিজিটাল মডেল ছাড়াই ম্যাট্রিক্স ডিজাইন, মাল্টিওয়েভেলংথ কম্পিউটেশন এবং দ্রুত মেটা-লার্নিং অর্জন করে।
কেন এটা গুরুত্বপূর্ণ
এআই-এর শক্তির ক্ষুধা হল শিল্পের অন্যতম চাপের সীমাবদ্ধতা, এবং অপটিক্যাল কম্পিউটিং দীর্ঘকাল ধরে ম্যাট্রিক্স গুণন চালানোর একটি উপায় হিসাবে প্রস্তাবিত হয়েছে — নিউরাল নেটওয়ার্কগুলির মূল অপারেশন — ইলেকট্রনিক প্রসেসরের তুলনায় অনেক কম শক্তিতে। স্টার্টআপ এবং একাডেমিক গোষ্ঠীগুলির অপটিক্যাল চিপগুলি ইতিমধ্যেই চিত্তাকর্ষক অনুমান থ্রুপুট প্রদর্শন করেছে। প্রশিক্ষণ, তবে, ডিজিটাল থেকে গেছে: চিপ নেটওয়ার্ক চালায়, কিন্তু শেখার জিপিইউ এর অনুকরণে ঘটে।
একটি ব্যবহারিক ইন সিটু প্রশিক্ষণ পদ্ধতি সেই ব্যবধানটি বন্ধ করে দেবে, ফটোনিক সিস্টেমগুলিকে হার্ডওয়্যারে নিজেই নতুন কাজের সাথে খাপ খাইয়ে নিতে দেয়। এটি ফটোনিক অ্যাক্সিলারেটর স্থাপনের খরচও কমাতে পারে, যেহেতু চিপগুলিকে আর ব্যবহার করার আগে পুরোপুরি বৈশিষ্ট্যযুক্ত এবং ক্ষতিপূরণ দিতে হবে না। লেখকরা কাজটিকে "অভিযোজিত এবং দক্ষ বুদ্ধিমান ফোটোনিক সিস্টেমের দিকে একটি ব্যবহারিক পথ" অফার করে।
সতর্কতা
ফলাফলগুলি নিয়ন্ত্রিত পরীক্ষাগার প্রদর্শন থেকে আসে, এবং কাগজের সারাংশ উত্পাদন প্রস্তুতির দাবি করে না। প্রদর্শিত ম্যাট্রিক্স মাপ থেকে ফ্রন্টিয়ার নিউরাল নেটওয়ার্কের স্কেলে অন-চিপ প্রশিক্ষণ স্কেল করা একটি উন্মুক্ত ইঞ্জিনিয়ারিং চ্যালেঞ্জ হিসাবে রয়ে গেছে, যেমন পরিমাপ যন্ত্র — সিন্থেটিক টাইম-রিভার্সাল হোলোগ্রাফি —কে কম্প্যাক্ট, ভর-উৎপাদনযোগ্য প্যাকেজে একীভূত করা। বাস্তব-বিশ্ব স্থাপনার জন্য তাপমাত্রার পরিবর্তন এবং উপাদান বার্ধক্য জুড়ে নির্ভরযোগ্যতা প্রমাণ করতে হবে, এমন পরিস্থিতিতে যেখানে ফটোনিক সিস্টেমগুলি প্রবাহিত হয়।
তবুও, প্রকাশনাটি ক্ষেত্রের জন্য জোর দেওয়ার ক্ষেত্রে একটি উল্লেখযোগ্য পরিবর্তন চিহ্নিত করে: আরও ভাল ফোটোনিক সার্কিট ডিজাইন করা থেকে ফটোনিক সার্কিটগুলিকে নিজেদের ডিজাইন করতে দেওয়া, অন্তত তাদের নিজস্ব প্যারামিটারগুলিকে সুরক্ষিত করার সংকীর্ণ অর্থে। ফলো-আপ কাজ যদি বৃহত্তর পরিসরে ফলাফল পুনরুত্পাদন করে, তাহলে অপটিক্যাল এআই হার্ডওয়্যারের শক্তির কেস বস্তুগতভাবে শক্তিশালী হয়ে ওঠে।
তিয়ানকুয়াং ঝো, ইউন ঝাও, শাংলং লি, গুওচেং শাও, রুকি হুয়াং এবং লু ফাং-এর অন্তর্নিহিত গবেষণা, "ফোটোনিক নিউরোমরফিক লার্নিং থ্রু জেনারালাইজড ইন সিটু ফিজিক্যাল গ্রেডিয়েন্ট ডিসেন্ট", নেচার কম্পিউটেশনাল সায়েন্সে প্রকাশিত হয়েছে।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
