Sebuah tim peneliti telah mendemonstrasikan metode umum untuk melatih sirkuit terintegrasi fotonik langsung pada chip fisik, sebuah langkah yang dapat mengubah prosesor optik dari akselerator tetap yang telah dirancang sebelumnya menjadi perangkat keras yang dapat dipelajari setelah dibuat. Karya tersebut, yang diterbitkan di Nature Computational Science, dirangkum dalam laporan singkat berjudul "Sirkuit fotonik menjadi perangkat keras AI yang dapat dilatih."
Metode yang disebut INSPIRE – kependekan dari on-chip, penurunan gradien fisik in situ – mengatasi salah satu hambatan utama dalam komputasi fotonik untuk kecerdasan buatan: meskipun prosesor fotonik menjanjikan peningkatan besar dalam kecepatan dan efisiensi energi, pelatihan mereka sebagian besar masih terbatas pada simulasi digital yang memerlukan pemodelan fisik yang mahal dan mengalami kesalahan yang disebabkan oleh fabrikasi. For more context on this story, see our ongoing latest AI developments.
Mengapa Chip AI Fotonik Sulit untuk Dilatih
Sebagian besar jaringan saraf saat ini dilatih pada perangkat keras digital, di mana gradien dapat dihitung secara tepat. Sirkuit fotonik berbeda: cahaya mengganggu, menghamburkan, dan berpasangan dengan cara yang sulit untuk dimodelkan dengan sempurna, dan variasi produksi yang kecil berarti sebuah chip di laboratorium jarang berperilaku persis seperti kembaran digitalnya. Melatih jaringan secara offline dan kemudian mentransfer parameter ke chip berarti menerima ketidakcocokan yang menurunkan akurasi.
Penelitian sebelumnya telah menghilangkan masalah ini. Penelitian telah menunjukkan propagasi mundur in situ dan pengukuran gradien dalam jaringan saraf fotonik, dan pada tahun 2024 para peneliti memperkenalkan pelatihan mode maju penuh untuk jaringan saraf optik guna mengurangi ketergantungan pada emulasi model digital. Karya baru ini memperluas garis ini dengan mengklaim metode yang bersifat umum di seluruh arsitektur sirkuit dan bukan disesuaikan dengan satu desain.
How INSPIRE Works
Menurut makalah tersebut, INSPIRE menggunakan holografi pembalikan waktu sintetis pada chip untuk mengukur seluruh bidang kompleks mode fotonik dua arah. Pengukuran tersebut memungkinkan rangkaian itu sendiri menghitung gradien dan memperbarui parameternya sendiri, tanpa memerlukan model chip digital penuh.
Konsekuensi praktisnya sangatlah signifikan. Karena komputasi gradien terjadi di dalam sistem fisik, beragam topologi sirkuit dapat dilatih setelah fabrikasi, dan perangkat keras dapat menangani desain matriks, komputasi multi-panjang gelombang, dan pembelajaran meta cepat tanpa replika digital yang setia. Dalam alur kerja konvensional, setiap langkah tersebut akan bergantung pada akurasi simulasi yang tidak dapat dijamin oleh chip di dunia nyata.
Kerangka kerja ini digambarkan sebagai topologi-agnostik, yang berarti ia bekerja dengan beragam desain sirkuit optik, bukan tata letak tunggal yang dipesan lebih dahulu. Karena gradien diukur secara fisik, jaringan dapat dilatih setelah fabrikasi, menyerap ketidaksempurnaan manufaktur yang seharusnya dianggap sebagai kebisingan.
The Results
Angka-angka yang dilaporkan bersifat spesifik. Dalam eksperimen, metode ini menghasilkan matriks terlatih dengan kesalahan relatif sebesar 0,26%. Tim juga mendemonstrasikan pelatihan in-situ melalui media hamburan untuk matriks yang lebih besar dari jumlah elemen asli yang dapat ditala di sirkuit — pembelajaran yang efektif dengan kontrol fisik yang lebih sedikit daripada yang dibutuhkan oleh soal secara nominal.
Mungkin yang paling mengejutkan, para peneliti menunjukkan bahwa sirkuit meta-fotonik dapat melakukan pembelajaran meta in situ, menyadari apa yang mereka gambarkan sebagai pembelajaran fotonik sekali pakai dengan kompresi model 251 kali lipat dan akselerasi pelatihan khusus tugas 136 kali lipat. Ringkasan pendamping menambahkan bahwa perangkat keras mencapai desain matriks, komputasi multi-panjang gelombang, dan pembelajaran meta cepat tanpa model sirkuit digital penuh.
Mengapa Itu Penting
Kebutuhan energi AI adalah salah satu kendala paling mendesak dalam industri ini, dan komputasi optik telah lama diusulkan sebagai cara untuk menjalankan perkalian matriks – operasi inti jaringan saraf – dengan daya yang jauh lebih rendah dibandingkan prosesor elektronik. Chip optik dari perusahaan rintisan dan kelompok akademis telah menunjukkan hasil inferensi yang mengesankan. Namun, pelatihan tetap bersifat digital: chip menjalankan jaringan, namun pembelajaran terjadi pada GPU yang menyimulasikannya.
Metode pelatihan in-situ yang praktis akan menutup kesenjangan tersebut, memungkinkan sistem fotonik beradaptasi dengan tugas-tugas baru pada perangkat keras itu sendiri. Hal ini juga dapat mengurangi biaya penerapan akselerator fotonik, karena chip tidak lagi perlu dikarakterisasi dan diberi kompensasi secara sempurna sebelum digunakan. Para penulis membingkai penelitian ini sebagai menawarkan "rute praktis menuju sistem fotonik cerdas yang adaptif dan efisien."
Caveats
Hasilnya berasal dari demonstrasi laboratorium yang terkendali, dan ringkasan makalah tersebut tidak mengklaim kesiapan produksi. Menskalakan pelatihan on-chip dari ukuran matriks yang ditunjukkan ke skala jaringan saraf frontier tetap merupakan tantangan rekayasa terbuka, seperti halnya mengintegrasikan peralatan pengukuran – holografi pembalikan waktu sintetik – ke dalam paket kompak yang dapat diproduksi secara massal. Penerapan di dunia nyata juga perlu membuktikan keandalan dalam perubahan suhu dan penuaan komponen, kondisi di mana sistem fotonik diketahui mengalami penyimpangan.
Namun, publikasi ini menandai perubahan penting dalam penekanan bidang ini: dari merancang sirkuit fotonik yang lebih baik menjadi membiarkan sirkuit fotonik merancang dirinya sendiri, setidaknya dalam arti sempit menyesuaikan parameternya sendiri. Jika upaya lanjutan dapat mereproduksi hasil pada skala yang lebih besar, maka kebutuhan energi untuk perangkat keras AI optik akan menjadi jauh lebih kuat.
Studi yang mendasarinya, "Pembelajaran neuromorfik fotonik melalui penurunan gradien fisik in situ yang digeneralisasi" oleh Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang dan Lu Fang, diterbitkan di Nature Computational Science.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
