ក្រុមអ្នកស្រាវជ្រាវមួយក្រុមបានបង្ហាញពីវិធីសាស្រ្តទូទៅសម្រាប់ការបណ្តុះបណ្តាលសៀគ្វីរួមបញ្ចូលគ្នា photonic ដោយផ្ទាល់នៅលើបន្ទះឈីបរូបវ័ន្ត ដែលជាជំហានមួយដែលអាចបង្វែរឧបករណ៍ដំណើរការអុបទិកពីឧបករណ៍បង្កើនល្បឿនដែលបានរចនាជាមុនថេរទៅជាផ្នែករឹងដែលរៀនបន្ទាប់ពីវាត្រូវបានសាងសង់រួច។ ការងារដែលត្រូវបានបោះពុម្ពផ្សាយនៅក្នុង Nature Computational Science ត្រូវបានសង្ខេបនៅក្នុងសៀវភៅដៃគូដែលមានចំណងជើងថា "សៀគ្វី Photonic ក្លាយជាផ្នែករឹង AI ដែលអាចបណ្តុះបណ្តាលបាន" ។

វិធីសាស្រ្តដែលហៅថា INSPIRE - ខ្លីសម្រាប់នៅលើបន្ទះឈីប នៅក្នុងការទម្លាក់ចុះជម្រាលរាងកាយ - ដោះស្រាយឧបសគ្គកណ្តាលមួយនៃការគណនា photonic សម្រាប់បញ្ញាសិប្បនិមិត្ត៖ ទោះបីជាម៉ាស៊ីនដំណើរការ photonic សន្យាថានឹងទទួលបានអត្ថប្រយោជន៍យ៉ាងសំខាន់ក្នុងល្បឿន និងប្រសិទ្ធភាពថាមពលក៏ដោយ ការបណ្តុះបណ្តាលរបស់ពួកគេនៅតែជាប់គាំងយ៉ាងទូលំទូលាយទៅនឹងការក្លែងធ្វើឌីជីថលដែលតម្រូវឱ្យមានគំរូរូបវន្តដែលមានតម្លៃថ្លៃ និងទទួលរងពីកំហុសដែលបណ្តាលមកពីការប្រឌិត។ For more context on this story, see our ongoing artificial intelligence updates.

ហេតុអ្វីបានជាបន្ទះឈីប Photonic AI ពិបាកហ្វឹកហាត់

បណ្តាញសរសៃប្រសាទភាគច្រើននាពេលបច្ចុប្បន្ននេះត្រូវបានបណ្តុះបណ្តាលលើផ្នែករឹងឌីជីថល ដែលជម្រាលអាចត្រូវបានគណនាយ៉ាងពិតប្រាកដ។ សៀគ្វី photonic មានភាពខុសប្លែកគ្នា៖ ពន្លឺជ្រៀតជ្រែក ការខ្ចាត់ខ្ចាយ និងគូស្វាមីភរិយាតាមរបៀបដែលពិបាកធ្វើគំរូឥតខ្ចោះ ហើយការប្រែប្រួលផលិតកម្មតូចៗមានន័យថាបន្ទះឈីបនៅក្នុងមន្ទីរពិសោធន៍កម្រមានឥរិយាបថដូចឌីជីថលភ្លោះរបស់វាណាស់។ ការបណ្តុះបណ្តាលបណ្តាញក្រៅបណ្តាញ ហើយបន្ទាប់មកផ្ទេរប៉ារ៉ាម៉ែត្រទៅបន្ទះឈីបមានន័យថាទទួលយកភាពមិនស៊ីសង្វាក់គ្នាដែលបំផ្លាញភាពត្រឹមត្រូវ។

ការស្រាវជ្រាវពីមុនបានបំបែកចេញពីបញ្ហា។ ការសិក្សាបានបង្ហាញនៅក្នុងការពង្រីកទីតាំង និងការវាស់វែងជម្រាលនៅក្នុងបណ្តាញសរសៃប្រសាទ photonic ហើយនៅក្នុងឆ្នាំ 2024 អ្នកស្រាវជ្រាវបានណែនាំការបណ្តុះបណ្តាលរបៀបឆ្ពោះទៅមុខយ៉ាងពេញលេញសម្រាប់បណ្តាញសរសៃប្រសាទអុបទិក ដើម្បីកាត់បន្ថយការពឹងផ្អែកលើការធ្វើត្រាប់តាមគំរូឌីជីថល។ ការងារថ្មីពង្រីកបន្ទាត់នេះដោយទាមទារវិធីសាស្រ្តដែលជាទូទៅឆ្លងកាត់ស្ថាបត្យកម្មសៀគ្វីជាជាងការកែសម្រួលតាមការរចនាតែមួយ។

របៀបដែល INSPIRE ដំណើរការ

យោងតាមក្រដាស INSPIRE ប្រើ holography បញ្ច្រាសពេលវេលាសំយោគនៅលើបន្ទះឈីប ដើម្បីវាស់ស្ទង់វាលស្មុគស្មាញពេញលេញនៃរបៀប photonic ទ្វេទិស។ ការវាស់វែងនោះអនុញ្ញាតឱ្យសៀគ្វីខ្លួនវាគណនាជម្រាល និងធ្វើបច្ចុប្បន្នភាពប៉ារ៉ាម៉ែត្រផ្ទាល់ខ្លួនរបស់វា ដោយមិនតម្រូវឱ្យមានគំរូឌីជីថលពេញលេញនៃបន្ទះឈីប។

ផលវិបាកជាក់ស្តែងគឺសំខាន់។ ដោយសារតែការគណនាជម្រាលកើតឡើងនៅក្នុងប្រព័ន្ធរូបវន្ត ទ្រឹស្ដីសៀគ្វីចម្រុះអាចត្រូវបានបណ្តុះបណ្តាលបន្ទាប់ពីការប្រឌិត ហើយផ្នែករឹងអាចគ្រប់គ្រងការរចនាម៉ាទ្រីស ការគណនាពហុរលក និងការរៀនមេតាយ៉ាងឆាប់រហ័សដោយមិនចាំបាច់ចម្លងឌីជីថលដ៏ស្មោះត្រង់។ នៅក្នុងដំណើរការការងារធម្មតា រាល់ជំហានទាំងនោះនឹងអាស្រ័យលើភាពត្រឹមត្រូវនៃការក្លែងធ្វើ ដែលបន្ទះឈីបពិភពលោកពិតមិនអាចធានាបានទេ។

ក្របខ័ណ្ឌត្រូវបានពិពណ៌នាថាជា topology-agnostic មានន័យថាវាដំណើរការជាមួយនឹងការរចនាសៀគ្វីអុបទិកចម្រុះជាជាងប្លង់តែមួយ។ ដោយសារជម្រាលត្រូវបានវាស់តាមរូបវ័ន្ត បណ្តាញអាចត្រូវបានបណ្តុះបណ្តាលបន្ទាប់ពីការផលិត ដោយស្រូបយកភាពមិនល្អឥតខ្ចោះក្នុងការផលិត ដែលនឹងរាប់ជាសំឡេងរំខាន។

លទ្ធផល

លេខដែលបានរាយការណ៍គឺជាក់លាក់។ នៅក្នុងការពិសោធន៍ វិធីសាស្ត្រនេះបានផ្តល់លទ្ធផលម៉ាទ្រីសដែលបានបណ្តុះបណ្តាលជាមួយនឹងកំហុសទាក់ទងគ្នានៃ 0.26% ។ ក្រុមនេះក៏បានបង្ហាញនៅក្នុងការបណ្តុះបណ្តាលកន្លែងតាមរយៈប្រព័ន្ធផ្សព្វផ្សាយចែកចាយសម្រាប់ម៉ាទ្រីសដែលធំជាងចំនួននៃធាតុដែលអាចផ្លាស់ប្តូរបាននៅក្នុងសៀគ្វី — សិក្សាប្រកបដោយប្រសិទ្ធភាពជាមួយនឹងការគ្រប់គ្រងរាងកាយតិចជាងបញ្ហាដែលទាមទារ។

ប្រហែលជាគួរឱ្យចាប់អារម្មណ៍បំផុត អ្នកស្រាវជ្រាវបានបង្ហាញថា សៀគ្វីមេតា-photonic អាចដំណើរការនៅក្នុង situ meta-learning ដោយដឹងពីអ្វីដែលពួកគេពណ៌នាថាជាការរៀនថតរូបតែមួយដងជាមួយនឹងការបង្ហាប់គំរូ 251 ដង និងការបង្កើនល្បឿនហ្វឹកហាត់ជាក់លាក់ 136 ដង។ សេចក្តីសង្ខេបរបស់ដៃគូបន្ថែមថាផ្នែករឹងសម្រេចបាននូវការរចនាម៉ាទ្រីស ការគណនាពហុរលក និងការរៀនមេតាយ៉ាងឆាប់រហ័សដោយគ្មានគំរូឌីជីថលពេញលេញនៃសៀគ្វី។

ហេតុអ្វីវាសំខាន់

ចំណង់ថាមពលរបស់ AI គឺជាឧបសគ្គដ៏តឹងតែងបំផុតរបស់ឧស្សាហកម្ម ហើយការគណនាអុបទិកត្រូវបានស្នើឡើងជាយូរមកហើយថាជាវិធីមួយដើម្បីដំណើរការការគុណម៉ាទ្រីស ដែលជាប្រតិបត្តិការស្នូលនៃបណ្តាញសរសៃប្រសាទ — នៅថាមពលទាបជាងឧបករណ៍ដំណើរការអេឡិចត្រូនិចឆ្ងាយណាស់។ បន្ទះសៀគ្វីអុបទិកពីក្រុមហ៊ុនចាប់ផ្តើមអាជីវកម្ម និងក្រុមសិក្សាបានបង្ហាញរួចហើយនូវលទ្ធផលសន្និដ្ឋានគួរឱ្យចាប់អារម្មណ៍។ ទោះជាយ៉ាងណាក៏ដោយ ការបណ្តុះបណ្តាលនៅតែជាឌីជីថល៖ បន្ទះឈីបដំណើរការបណ្តាញ ប៉ុន្តែការរៀនសូត្រកើតឡើងនៅលើ GPUs ដែលក្លែងធ្វើវា។

វិធីសាស្រ្តបណ្តុះបណ្តាលជាក់ស្តែងនៅក្នុងកន្លែងនឹងបិទគម្លាតនោះ ដោយអនុញ្ញាតឱ្យប្រព័ន្ធ photonic សម្របខ្លួនទៅនឹងកិច្ចការថ្មីនៅលើផ្នែករឹងខ្លួនឯង។ វាក៏អាចកាត់បន្ថយថ្លៃដើមនៃការដាក់ពង្រាយឧបករណ៍បង្កើនល្បឿន photonic ផងដែរ ចាប់តាំងពីបន្ទះឈីបនឹងលែងត្រូវការឱ្យមានលក្ខណៈល្អឥតខ្ចោះ និងផ្តល់សំណងមុនពេលប្រើប្រាស់។ អ្នកនិពន្ធ​បាន​កំណត់​ការងារ​នេះ​ថា​ជា​ការ​ផ្តល់​ជូន​នូវ "ផ្លូវ​ជាក់ស្តែង​មួយ​ឆ្ពោះ​ទៅ​រក​ប្រព័ន្ធ photonic ឆ្លាតវៃ​ដែល​អាច​សម្រប​បាន​និង​មាន​ប្រសិទ្ធ​ភាព"។

ការព្រមាន

លទ្ធផលបានមកពីការធ្វើបាតុកម្មនៅមន្ទីរពិសោធន៍ដែលគ្រប់គ្រង ហើយសេចក្តីសង្ខេបនៃក្រដាសនេះមិនទាមទារការត្រៀមខ្លួនផលិតទេ។ ការធ្វើមាត្រដ្ឋានលើការបណ្តុះបណ្តាលនៅលើបន្ទះឈីបពីទំហំម៉ាទ្រីសដែលបានបង្ហាញដល់ទំហំបណ្តាញសរសៃប្រសាទព្រំដែននៅតែជាបញ្ហាប្រឈមផ្នែកវិស្វកម្មបើកចំហ ក៏ដូចជាការរួមបញ្ចូលឧបករណ៍វាស់ស្ទង់ — holography បញ្ច្រាសពេលវេលាសំយោគ — ទៅក្នុងកញ្ចប់តូចដែលផលិតបានច្រើន។ ការដាក់ពង្រាយក្នុងពិភពពិតក៏នឹងត្រូវការបញ្ជាក់ពីភាពជឿជាក់លើការប្រែប្រួលសីតុណ្ហភាព និងភាពចាស់នៃសមាសធាតុ ដែលជាលក្ខខណ្ឌដែលប្រព័ន្ធ photonic ត្រូវបានគេដឹងថារសាត់។

យ៉ាងណាក៏ដោយ ការបោះពុម្ភនេះបង្ហាញពីការផ្លាស់ប្តូរគួរឱ្យកត់សម្គាល់ក្នុងការសង្កត់ធ្ងន់សម្រាប់វិស័យនេះ៖ ពីការរចនាសៀគ្វី photonic ប្រសើរជាងមុន ទៅអនុញ្ញាតឱ្យសៀគ្វី photonic រចនាដោយខ្លួនឯង យ៉ាងហោចណាស់ក្នុងន័យតូចចង្អៀតនៃការលៃតម្រូវប៉ារ៉ាម៉ែត្រផ្ទាល់ខ្លួនរបស់ពួកគេ។ ប្រសិនបើការងារតាមដានបង្កើតលទ្ធផលឡើងវិញក្នុងទ្រង់ទ្រាយធំនោះ ករណីថាមពលសម្រាប់ផ្នែករឹង AI អុបទិកកាន់តែរឹងមាំ។

ការសិក្សាមូលដ្ឋាន "ការរៀនតាមសរសៃប្រសាទតាមរូបភាពតាមលក្ខណៈទូទៅក្នុងស្ថានភាពកាយសម្បទា" ដោយ Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang និង Lu Fang ត្រូវបានបោះពុម្ពផ្សាយនៅក្នុង Nature Computational Science។

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →