Satu pasukan penyelidik telah menunjukkan kaedah umum untuk melatih litar bersepadu fotonik secara langsung pada cip fizikal, satu langkah yang boleh menukar pemproses optik daripada pemecut tetap, pra-reka bentuk kepada perkakasan yang belajar selepas ia dibina. Kerja itu, yang diterbitkan dalam Nature Computational Science, diringkaskan dalam ringkasan sahabat bertajuk "Litar fotonik menjadi perkakasan AI yang boleh dilatih."
Kaedah yang dipanggil INSPIRE — singkatan untuk on-chip, in situ physical gradient descent — menangani salah satu kesesakan utama dalam pengkomputeran fotonik untuk kecerdasan buatan: walaupun pemproses fotonik menjanjikan keuntungan besar dalam kelajuan dan kecekapan tenaga, latihan mereka sebahagian besarnya masih terhad kepada simulasi digital yang memerlukan pemodelan fizikal yang mahal dan mengalami ralat yang disebabkan oleh fabrikasi. For more context on this story, see our ongoing AI trends.
Mengapa Cip AI Fotonik Sukar Dilatih
Kebanyakan rangkaian saraf hari ini dilatih pada perkakasan digital, di mana kecerunan boleh dikira dengan tepat. Litar fotonik adalah berbeza: cahaya mengganggu, menyebar dan berpasangan dengan cara yang sukar untuk dimodelkan dengan sempurna, dan variasi pembuatan kecil bermakna cip dalam makmal jarang berkelakuan sama seperti kembar digitalnya. Melatih rangkaian luar talian dan kemudian memindahkan parameter ke cip bermakna menerima ketidakpadanan yang merendahkan ketepatan.
Penyelidikan terdahulu telah menghilangkan masalah itu. Kajian telah menunjukkan perambatan belakang in situ dan pengukuran kecerunan dalam rangkaian neural fotonik, dan pada tahun 2024 penyelidik memperkenalkan latihan mod hadapan sepenuhnya untuk rangkaian saraf optik untuk mengurangkan pergantungan pada emulasi model digital. Kerja baharu ini memanjangkan baris ini dengan menuntut kaedah yang umum merentas seni bina litar dan bukannya disesuaikan dengan satu reka bentuk.
Cara INSPIRE Berfungsi
Menurut kertas itu, INSPIRE menggunakan holografi pembalikan masa sintetik pada cip untuk mengukur bidang kompleks penuh mod fotonik dua arah. Pengukuran itu membolehkan litar itu sendiri mengira kecerunan dan mengemas kini parameternya sendiri, tanpa memerlukan model digital penuh cip.
Akibat praktikal adalah ketara. Oleh kerana pengiraan kecerunan berlaku di dalam sistem fizikal, topologi litar pelbagai boleh dilatih selepas fabrikasi, dan perkakasan boleh mengendalikan reka bentuk matriks, pengiraan berbilang panjang gelombang dan meta-pembelajaran pantas tanpa replika digital yang setia. Dalam aliran kerja konvensional, setiap satu daripada langkah tersebut akan bergantung pada ketepatan simulasi yang tidak dapat dijamin oleh cip dunia sebenar.
Rangka kerja ini digambarkan sebagai topologi-agnostik, bermakna ia berfungsi dengan reka bentuk litar optik yang pelbagai dan bukannya satu susun atur yang dipesan lebih dahulu. Kerana kecerunan diukur secara fizikal, rangkaian boleh dilatih selepas fabrikasi, menyerap ketidaksempurnaan pembuatan yang sebaliknya akan dikira sebagai bunyi.
Hasilnya
Nombor yang dilaporkan adalah khusus. Dalam eksperimen, kaedah tersebut menghasilkan matriks terlatih dengan ralat relatif 0.26%. Pasukan itu juga menunjukkan latihan in situ melalui media taburan untuk matriks yang lebih besar daripada bilangan elemen boleh tala asli dalam litar — secara berkesan belajar dengan kawalan fizikal yang lebih sedikit daripada yang diperlukan oleh masalah.
Mungkin yang paling menarik, para penyelidik menunjukkan bahawa litar meta-fotonik boleh melakukan meta-pembelajaran in situ, menyedari apa yang mereka gambarkan sebagai pembelajaran fotonik satu pukulan dengan pemampatan model 251 kali ganda dan pecutan latihan khusus tugasan 136 kali ganda. Ringkas pengiring menambah bahawa perkakasan mencapai reka bentuk matriks, pengiraan berbilang panjang gelombang dan meta-pembelajaran pantas tanpa model digital penuh litar.
Mengapa Ia Penting
Selera tenaga AI adalah salah satu kekangan industri yang paling mendesak, dan pengkomputeran optik telah lama dicadangkan sebagai cara untuk menjalankan pendaraban matriks — operasi teras rangkaian saraf — pada kuasa yang jauh lebih rendah daripada pemproses elektronik. Cip optik daripada syarikat pemula dan kumpulan akademik telah pun menunjukkan hasil inferens yang mengagumkan. Latihan, bagaimanapun, kekal digital: cip menjalankan rangkaian, tetapi pembelajaran berlaku pada GPU yang mensimulasikannya.
Kaedah latihan in situ yang praktikal akan menutup jurang itu, membiarkan sistem fotonik menyesuaikan diri dengan tugas baharu pada perkakasan itu sendiri. Ia juga boleh mengurangkan kos menggunakan pemecut fotonik, kerana cip tidak lagi perlu dicirikan dan diberi pampasan dengan sempurna sebelum digunakan. Penulis merangka kerja itu sebagai menawarkan "laluan praktikal ke arah sistem fotonik pintar yang adaptif dan cekap."
Kaveat
Hasilnya datang daripada demonstrasi makmal terkawal, dan ringkasan kertas itu tidak menuntut kesediaan pengeluaran. Menskala latihan pada cip daripada saiz matriks yang ditunjukkan kepada skala rangkaian saraf sempadan kekal sebagai cabaran kejuruteraan terbuka, begitu juga dengan menyepadukan radas pengukuran — holografi pembalikan masa sintetik — ke dalam pakej yang padat dan boleh dibuat secara besar-besaran. Penggunaan dunia sebenar juga perlu membuktikan kebolehpercayaan merentas perubahan suhu dan penuaan komponen, keadaan di mana sistem fotonik diketahui hanyut.
Namun, penerbitan itu menandakan peralihan ketara dalam penekanan untuk bidang: daripada mereka bentuk litar fotonik yang lebih baik kepada membiarkan litar fotonik mereka bentuk sendiri, sekurang-kurangnya dalam erti kata sempit untuk menyesuaikan parameter mereka sendiri. Jika kerja susulan menghasilkan semula hasil pada skala yang lebih besar, bekas tenaga untuk perkakasan AI optikal menjadi lebih kuat secara material.
Kajian asas, "Pembelajaran neuromorfik fotonik melalui keturunan kecerunan fizikal in situ umum" oleh Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang dan Lu Fang, diterbitkan dalam Nature Computational Science.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
