Tim peneliti wis nduduhake cara umum kanggo latihan sirkuit terpadu fotonik langsung ing chip fisik, langkah sing bisa nguripake prosesor optik saka tetep, akselerator wis dirancang kanggo hardware sing sinau sawise dibangun. Karya kasebut, diterbitake ing Nature Computational Science, diringkes ing ringkesan pendamping kanthi judhul "Sirkuit fotonik dadi perangkat keras AI sing bisa dilatih."
Cara kasebut, sing diarani INSPIRE - singkatan saka on-chip, in situ gradien fisik - alamat salah siji saka bottlenecks tengah ing komputasi fotonik kanggo intelijen buatan: sanajan prosesor fotonik njanjeni hasil gedhe ing kacepetan lan efisiensi energi, latihan kasebut tetep mung ing simulasi digital sing mbutuhake pemodelan fisik sing larang regane lan nandhang kesalahan sing disebabake dening fabrikasi. For more context on this story, see our ongoing AI news.
Napa Kripik AI Photonic angel dilatih
Umume jaringan saraf saiki dilatih ing hardware digital, ing ngendi gradien bisa diitung kanthi tepat. Sirkuit fotonik beda-beda: cahya ngganggu, nyebar lan pasangan kanthi cara sing angel dimodelake kanthi sampurna, lan variasi manufaktur cilik tegese chip ing laboratorium arang banget tumindak kaya kembar digital. Latihan jaringan offline banjur nransfer paramèter menyang chip tegese nrima mismatch sing ngrusak akurasi.
Riset sadurunge wis ngilangi masalah kasebut. Pasinaon wis nuduhake backpropagation in situ lan pangukuran gradien ing jaringan saraf fotonik, lan ing taun 2024 peneliti ngenalake latihan mode maju kanthi lengkap kanggo jaringan saraf optik kanggo nyuda katergantungan ing emulasi model digital. Karya anyar ngluwihi baris iki kanthi nuntut cara sing umum ing arsitektur sirkuit tinimbang dicocogake kanggo siji desain.
Cara kerjane INSPIRE
Miturut koran kasebut, INSPIRE nggunakake holografi pembalikan wektu sintetik on-chip kanggo ngukur lapangan lengkap mode fotonik bidirectional. Pangukuran kasebut ngidini sirkuit kasebut bisa ngitung gradien lan nganyari paramèter dhewe, tanpa mbutuhake model chip digital lengkap.
Konsekuensi praktis penting. Amarga komputasi gradien kedadeyan ing sistem fisik, topologi sirkuit sing maneka warna bisa dilatih sawise digawe, lan hardware bisa nangani desain matriks, komputasi multiwavelength lan meta-learning kanthi cepet tanpa replika digital sing setya. Ing alur kerja konvensional, saben langkah kasebut bakal gumantung marang akurasi simulasi sing ora bisa dijamin chip donya nyata.
Kerangka kasebut diterangake minangka topologi-agnostik, tegese bisa digunakake kanthi macem-macem desain sirkuit optik tinimbang tata letak sing dipesthekake. Amarga gradien diukur kanthi fisik, jaringan bisa dilatih sawise fabrikasi, nyerep cacat manufaktur sing bisa dianggep minangka gangguan.
Hasil
Nomer sing dilaporake spesifik. Ing eksperimen, metode kasebut ngasilake matriks sing dilatih kanthi kesalahan relatif 0,26%. Tim kasebut uga nuduhake latihan in situ liwat media panyebaran kanggo matriks sing luwih gedhe tinimbang jumlah unsur asli sing bisa disetel ing sirkuit - sinau kanthi efektif kanthi kontrol fisik sing luwih sithik tinimbang masalah sing dibutuhake.
Mbok menawa sing paling nggumunake, peneliti nuduhake yen sirkuit meta-fotonik bisa nindakake meta-learning in situ, nyadari apa sing diterangake minangka pembelajaran fotonik siji-shot kanthi kompresi model 251 kali lan akselerasi latihan khusus tugas 136 kali. Ringkesan kanca nambahake manawa hardware entuk desain matriks, komputasi multiwavelength lan meta-learning kanthi cepet tanpa model digital lengkap saka sirkuit.
Apa Iku Penting
Napsu energi AI minangka salah sawijining kendala sing paling penting ing industri, lan komputasi optik wis suwe diusulake minangka cara kanggo nindakake perkalian matriks - operasi inti jaringan saraf - kanthi daya sing luwih murah tinimbang prosesor elektronik. Kripik optik saka wiwitan lan kelompok akademisi wis nuduhake throughput inferensi sing nggumunake. Latihan, Nanging, wis tetep digital: chip nganggo jaringan, nanging learning mengkono ing GPUs simulating iku.
Cara latihan in situ sing praktis bakal nutup celah kasebut, supaya sistem fotonik bisa adaptasi karo tugas anyar ing hardware kasebut. Iki uga bisa nyuda biaya nyebarake akselerator fotonik, amarga chip ora perlu ditondoi kanthi sampurna lan menehi ganti rugi sadurunge digunakake. Penulis nggawe karya kasebut minangka nawakake "rute praktis menyang sistem fotonik cerdas adaptif lan efisien."
Kawulo
Asil teka saka demonstrasi laboratorium sing dikontrol, lan ringkesan kertas ora nyatakake kesiapan produksi. Scaling on-chip training saka ukuran matriks sing dituduhake menyang skala jaringan saraf perbatasan tetep dadi tantangan teknik sing mbukak, uga nggabungake piranti pangukuran - holografi pembalikan wektu sintetik - dadi paket kompak sing bisa diproduksi massal. Penyebaran ing donya nyata uga kudu mbuktekake linuwih ing owah-owahan suhu lan tuwa komponen, kahanan ing ngendi sistem fotonik dikenal mabur.
Isih, publikasi nandhani owah-owahan penting ing emphasis kanggo lapangan: saka ngrancang sirkuit fotonik sing luwih apik kanggo ngidini sirkuit fotonik ngrancang dhewe, paling ora ing pangertèn sempit nyetel paramèter dhewe. Yen karya tindak lanjut ngasilake asil ing skala sing luwih gedhe, kasus energi kanggo hardware AI optik bakal saya kuwat.
Sinau dhasar, "Pembelajaran neuromorfik fotonik liwat keturunan gradien fisik in situ umum" dening Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang lan Lu Fang, diterbitake ing Nature Computational Science.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
