शोधकर्ताओं की एक टीम ने भौतिक चिप पर सीधे फोटोनिक एकीकृत सर्किट को प्रशिक्षित करने के लिए एक सामान्य विधि का प्रदर्शन किया है, एक ऐसा कदम जो ऑप्टिकल प्रोसेसर को निश्चित, पूर्व-डिज़ाइन किए गए त्वरक से हार्डवेयर में बदल सकता है जो इसके निर्माण के बाद सीखता है। नेचर कम्प्यूटेशनल साइंस में प्रकाशित इस कार्य को "फोटोनिक सर्किट प्रशिक्षित एआई हार्डवेयर बन जाते हैं" शीर्षक से एक संक्षिप्त विवरण में संक्षेपित किया गया है।
विधि, जिसे INSPIRE कहा जाता है - ऑन-चिप के लिए संक्षिप्त, इन सीटू फिजिकल ग्रेडिएंट डिसेंट - कृत्रिम बुद्धिमत्ता के लिए फोटोनिक कंप्यूटिंग में केंद्रीय बाधाओं में से एक को संबोधित करता है: हालांकि फोटोनिक प्रोसेसर गति और ऊर्जा दक्षता में बड़े लाभ का वादा करते हैं, उनका प्रशिक्षण काफी हद तक डिजिटल सिमुलेशन तक ही सीमित है जिसके लिए महंगे भौतिक मॉडलिंग की आवश्यकता होती है और निर्माण-प्रेरित त्रुटियों से ग्रस्त हैं। For more context on this story, see our ongoing AI news.
फोटोनिक एआई चिप्स को प्रशिक्षित करना कठिन क्यों है
आज अधिकांश तंत्रिका नेटवर्क डिजिटल हार्डवेयर पर प्रशिक्षित हैं, जहां ग्रेडिएंट की सटीक गणना की जा सकती है। फोटोनिक सर्किट अलग-अलग होते हैं: प्रकाश हस्तक्षेप करता है, बिखरता है और ऐसे तरीके से जुड़ता है जिससे पूरी तरह से मॉडल बनाना मुश्किल होता है, और छोटे विनिर्माण विविधताओं का मतलब है कि प्रयोगशाला में एक चिप शायद ही कभी अपने डिजिटल जुड़वां की तरह व्यवहार करती है। नेटवर्क को ऑफ़लाइन प्रशिक्षित करना और फिर मापदंडों को चिप पर स्थानांतरित करने का अर्थ है एक बेमेल को स्वीकार करना जो सटीकता को कम करता है।
पिछले शोध ने समस्या को दूर कर दिया है। अध्ययनों ने फोटोनिक न्यूरल नेटवर्क में सीटू बैकप्रॉपैगेशन और ग्रेडिएंट माप का प्रदर्शन किया है, और 2024 में शोधकर्ताओं ने डिजिटल मॉडल अनुकरण पर निर्भरता को कम करने के लिए ऑप्टिकल न्यूरल नेटवर्क के लिए पूरी तरह से फॉरवर्ड मोड प्रशिक्षण शुरू किया है। नया कार्य एक ऐसी विधि का दावा करके इस लाइन का विस्तार करता है जो एक डिज़ाइन के अनुरूप होने के बजाय सर्किट आर्किटेक्चर में सामान्य है।
INSPIRE कैसे काम करता है
पेपर के अनुसार, INSPIRE द्विदिश फोटोनिक मोड के पूर्ण जटिल क्षेत्रों को मापने के लिए ऑन-चिप सिंथेटिक टाइम-रिवर्सल होलोग्राफी का उपयोग करता है। वह माप सर्किट को चिप के पूर्ण डिजिटल मॉडल की आवश्यकता के बिना, ग्रेडिएंट्स की गणना करने और अपने स्वयं के मापदंडों को अपडेट करने की अनुमति देता है।
व्यावहारिक परिणाम महत्वपूर्ण है. क्योंकि ग्रेडिएंट गणना भौतिक प्रणाली के अंदर होती है, निर्माण के बाद विविध सर्किट टोपोलॉजी को प्रशिक्षित किया जा सकता है, और हार्डवेयर एक विश्वसनीय डिजिटल प्रतिकृति के बिना मैट्रिक्स डिजाइन, मल्टीवेवलेंथ गणना और तेजी से मेटा-लर्निंग को संभाल सकता है। पारंपरिक वर्कफ़्लोज़ में, उनमें से प्रत्येक चरण सिमुलेशन सटीकता पर निर्भर करेगा जिसकी वास्तविक दुनिया के चिप्स गारंटी नहीं दे सकते।
फ्रेमवर्क को टोपोलॉजी-अज्ञेयवादी के रूप में वर्णित किया गया है, जिसका अर्थ है कि यह एकल बीस्पोक लेआउट के बजाय विविध ऑप्टिकल सर्किट डिजाइनों के साथ काम करता है। क्योंकि ग्रेडिएंट्स को भौतिक रूप से मापा जाता है, नेटवर्क को निर्माण के बाद प्रशिक्षित किया जा सकता है, बहुत ही विनिर्माण खामियों को अवशोषित किया जा सकता है जिन्हें अन्यथा शोर के रूप में गिना जाएगा।
परिणाम
रिपोर्ट की गई संख्याएँ विशिष्ट हैं। प्रयोगों में, विधि ने 0.26% की सापेक्ष त्रुटि के साथ प्रशिक्षित मैट्रिक्स प्राप्त किए। टीम ने सर्किट में देशी ट्यून करने योग्य तत्वों की संख्या से बड़े मैट्रिक्स के लिए स्कैटरिंग मीडिया के माध्यम से सीटू प्रशिक्षण का भी प्रदर्शन किया - नाममात्र की समस्या की तुलना में कम भौतिक नियंत्रण के साथ प्रभावी ढंग से सीखना।
शायद सबसे अधिक चौंकाने वाली बात यह है कि शोधकर्ताओं ने दिखाया कि मेटा-फोटोनिक सर्किट सीटू मेटा-लर्निंग में प्रदर्शन कर सकते हैं, जिसे वे 251-गुना मॉडल संपीड़न और 136-गुना कार्य-विशिष्ट प्रशिक्षण त्वरण के साथ एकल-शॉट फोटोनिक सीखने के रूप में वर्णित करते हैं। सहयोगी संक्षिप्त में कहा गया है कि हार्डवेयर सर्किट के पूर्ण डिजिटल मॉडल के बिना मैट्रिक्स डिज़ाइन, मल्टीवेवलेंथ गणना और तेज़ मेटा-लर्निंग प्राप्त करता है।
यह क्यों मायने रखता है
एआई की ऊर्जा भूख उद्योग की सबसे बड़ी बाधाओं में से एक है, और ऑप्टिकल कंप्यूटिंग को लंबे समय से मैट्रिक्स गुणन - तंत्रिका नेटवर्क के मुख्य संचालन - को इलेक्ट्रॉनिक प्रोसेसर की तुलना में बहुत कम शक्ति पर चलाने के तरीके के रूप में प्रस्तावित किया गया है। स्टार्टअप और अकादमिक समूहों के ऑप्टिकल चिप्स ने पहले ही प्रभावशाली अनुमान थ्रूपुट का प्रदर्शन किया है। हालाँकि, प्रशिक्षण डिजिटल बना हुआ है: चिप नेटवर्क चलाती है, लेकिन सीखना इसे अनुकरण करने वाले जीपीयू पर होता है।
सीटू प्रशिक्षण पद्धति में एक व्यावहारिक उस अंतर को बंद कर देगा, जिससे फोटोनिक सिस्टम हार्डवेयर पर नए कार्यों के लिए अनुकूल हो जाएगा। यह फोटोनिक त्वरक को तैनात करने की लागत को भी कम कर सकता है, क्योंकि चिप्स को अब उपयोग से पहले पूरी तरह से चित्रित करने और क्षतिपूर्ति करने की आवश्यकता नहीं होगी। लेखकों ने इस कार्य को "अनुकूली और कुशल बुद्धिमान फोटोनिक प्रणालियों की ओर एक व्यावहारिक मार्ग" की पेशकश के रूप में प्रस्तुत किया है।
चेतावनी
परिणाम नियंत्रित प्रयोगशाला प्रदर्शनों से आते हैं, और पेपर का सारांश उत्पादन तत्परता का दावा नहीं करता है। प्रदर्शित मैट्रिक्स आकारों से फ्रंटियर न्यूरल नेटवर्क के पैमाने तक ऑन-चिप प्रशिक्षण को स्केल करना एक खुली इंजीनियरिंग चुनौती बनी हुई है, जैसे माप उपकरण - सिंथेटिक टाइम-रिवर्सल होलोग्राफी - को कॉम्पैक्ट, बड़े पैमाने पर निर्माण योग्य पैकेजों में एकीकृत करना। वास्तविक दुनिया की तैनाती को तापमान में उतार-चढ़ाव और घटक उम्र बढ़ने के बीच विश्वसनीयता साबित करने की भी आवश्यकता होगी, ऐसी स्थितियां जहां फोटोनिक सिस्टम बहाव के लिए जाने जाते हैं।
फिर भी, प्रकाशन क्षेत्र के लिए जोर देने में एक उल्लेखनीय बदलाव का प्रतीक है: बेहतर फोटोनिक सर्किट डिजाइन करने से लेकर फोटोनिक सर्किट को खुद को डिजाइन करने की अनुमति देना, कम से कम अपने स्वयं के मापदंडों को ट्यून करने के संकीर्ण अर्थ में। यदि अनुवर्ती कार्य बड़े पैमाने पर परिणामों को पुन: पेश करता है, तो ऑप्टिकल एआई हार्डवेयर के लिए ऊर्जा मामला भौतिक रूप से मजबूत हो जाता है।
तियानकुआंग झोउ, युन झाओ, शांगलोंग ली, गुओचेंग शाओ, रुकी हुआंग और लू फैंग द्वारा अंतर्निहित अध्ययन, "फोटोनिक न्यूरोमॉर्फिक लर्निंग थ्रू जनरलाइज्ड इन सीटू फिजिकल ग्रेडिएंट डिसेंट", नेचर कम्प्यूटेशनल साइंस में प्रकाशित हुआ है।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
