သုတေသီအဖွဲ့တစ်ဖွဲ့သည် ရုပ်ပိုင်းဆိုင်ရာချစ်ပ်ပေါ်တွင် တိုက်ရိုက်ပေါင်းစပ်ထားသော photonic ပေါင်းစပ်ဆားကစ်များကို လေ့ကျင့်ရန်အတွက် ယေဘုယျနည်းလမ်းကို သရုပ်ပြခဲ့ပြီး၊ ၎င်းကို တည်ဆောက်ပြီးနောက် သင်ယူနိုင်သည့် ဟာ့ဒ်ဝဲများအဖြစ် optical ပရိုဆက်ဆာများကို ပြောင်းလဲပေးနိုင်သည့် အဆင့်တစ်ခုဖြစ်သည်။ Nature Computational Science တွင် ထုတ်ဝေသည့် အလုပ်အား "Photonic circuits become trainable AI hardware" ခေါင်းစဉ်ဖြင့် အကျဉ်းချုံးဖော်ပြထားပါသည်။

INSPIRE ဟုခေါ်သော - Chip ၏အတိုကောက်ဖြစ်သော အဆိုပါနည်းလမ်းသည် ရုပ်ပိုင်းဆိုင်ရာအရောင်ဖျော့ဖျော့မှဆင်းသက်လာခြင်းဖြစ်ပြီး အတုဉာဏ်ရည်အတွက် photonic computing ၏ဗဟိုပြဿနာများကို ဖြေရှင်းပေးသည်- photonic ပရိုဆက်ဆာများသည် မြန်နှုန်းနှင့် စွမ်းအင်ထိရောက်မှုတွင် ကြီးကြီးမားမားရရှိမည်ဟု ကတိပေးသော်လည်း ၎င်းတို့၏လေ့ကျင့်ရေးသည် ငွေကုန်ကြေးကျများသော ရုပ်ပိုင်းဆိုင်ရာမော်ဒယ်လ်လိုအပ်သည့် ဒစ်ဂျစ်တယ်ပုံစံတူခြင်းများနှင့် အကျုံးဝင်ပါသည်။ For more context on this story, see our ongoing more AI stories.

Photonic AI Chips များသည် လေ့ကျင့်ရန် အဘယ်ကြောင့် ခက်ခဲသနည်း။

ယနေ့ခေတ် အာရုံကြောကွန်ရက် အများစုသည် gradient များကို အတိအကျ တွက်ချက်နိုင်သည့် ဒစ်ဂျစ်တယ် ဟာ့ဒ်ဝဲတွင် လေ့ကျင့်ထားသည်။ ပုံသဏ္ဍာန်ဆားကစ်များသည် ကွဲပြားသည်- အလင်းဝင်ရောက်စွက်ဖက်မှု၊ ဖြန့်ကြဲမှုများနှင့် စုံတွဲများသည် စုံလင်စွာပုံစံပြရန်ခက်ခဲသောနည်းလမ်းများဖြင့် စုံတွဲများဖြစ်ပြီး၊ သေးငယ်သောထုတ်လုပ်မှုပုံစံများသည် ဓာတ်ခွဲခန်းအတွင်းရှိ ချစ်ပ်တစ်ခုသည် ၎င်း၏ဒစ်ဂျစ်တယ်အမွှာများကဲ့သို့ အတိအကျလုပ်ဆောင်လေ့မရှိပေ။ ကွန်ရက်အော့ဖ်လိုင်းကို လေ့ကျင့်သင်ကြားပြီးနောက် ကန့်သတ်ချက်များကို chip ပေါ်သို့ လွှဲပြောင်းခြင်းသည် တိကျမှုကို ကျဆင်းစေသော မကိုက်ညီမှုတစ်ခုကို လက်ခံခြင်းကို ဆိုလိုသည်။

ယခင် သုတေသနပြုချက်သည် ပြဿနာကို ရှင်းရှင်းလင်းလင်း ဖြစ်စေခဲ့သည်။ လေ့လာမှုများသည် photonic neural networks များတွင် situ backpropagation နှင့် gradient တိုင်းတာခြင်းတွင် သရုပ်ပြခဲ့ပြီး 2024 တွင် သုတေသီများသည် ဒစ်ဂျစ်တယ်ပုံစံ အတုယူခြင်းကို လျှော့ချရန်အတွက် optical neural networks အတွက် အပြည့်အဝ forward mode သင်တန်းကို မိတ်ဆက်ပေးခဲ့သည်။ အလုပ်အသစ်သည် ဒီဇိုင်းတစ်ခုတည်းနှင့် အံဝင်ခွင်ကျမဟုတ်ဘဲ circuit Architecture များပေါ်တွင် ယေဘုယျအားဖြင့် နည်းလမ်းတစ်ခုကို တောင်းဆိုခြင်းဖြင့် ဤလိုင်းကို ချဲ့ထွင်သည်။

INSPIRE အလုပ်လုပ်ပုံ

စာတမ်းအရ INSPIRE သည် on-chip synthetic time-reversal holography ကိုအသုံးပြုပြီး bidirectional photonic modes များ၏ ရှုပ်ထွေးသောနယ်ပယ်များကို တိုင်းတာသည်။ ထိုတိုင်းတာမှုသည် circuit မှ gradient များကို တွက်ချက်နိုင်ပြီး chip ၏ ဒစ်ဂျစ်တယ်မော်ဒယ်အပြည့်အစုံကို မလိုအပ်ဘဲ ၎င်း၏ကိုယ်ပိုင် parameters များကို အပ်ဒိတ်လုပ်ခွင့်ပေးသည်။

လက်တွေ့အကျိုးဆက်က သိသာထင်ရှားတယ်။ ရုပ်ပိုင်းဆိုင်ရာစနစ်အတွင်း gradient computation ဖြစ်ပေါ်လာသောကြောင့်၊ ကွဲပြားသော circuit topologies များကို ဖန်တီးထုတ်လုပ်ပြီးနောက် လေ့ကျင့်နိုင်ပြီး hardware သည် matrix design၊ multiwavelength computation နှင့် သစ္စာရှိသော digital replica မပါဘဲ လျင်မြန်သော meta-learning ကို ကိုင်တွယ်နိုင်ပါသည်။ သမားရိုးကျ အလုပ်အသွားအလာများတွင်၊ ထိုအဆင့်တိုင်းသည် လက်တွေ့ကမ္ဘာချစ်ပ်များကို အာမမခံနိုင်သော သရုပ်ဖော်မှု တိကျမှုအပေါ် မူတည်ပါသည်။

framework ကို topology-agnostic အဖြစ် ဖော်ပြထားပြီး ဆိုလိုသည်မှာ ၎င်းသည် တစ်ခုတည်းသော စိတ်ကြိုက် အပြင်အဆင်ထက် ကွဲပြားသော optical circuit ဒီဇိုင်းများဖြင့် အလုပ်လုပ်ပါသည်။ Gradients များကို ရုပ်ပိုင်းအရ တိုင်းတာသောကြောင့်၊ ကွန်ရက်သည် ထုတ်လုပ်မှု အပြီးတွင် ဆူညံသံအဖြစ် မှတ်ယူမည့် အလွန်ကောင်းမွန်သော ချို့ယွင်းချက်များကို စုပ်ယူကာ လေ့ကျင့်နိုင်ပါသည်။

ရလဒ်များ

အစီရင်ခံထားတဲ့ ကိန်းဂဏန်းတွေက တိကျပါတယ်။ စမ်းသပ်မှုများတွင်၊ အဆိုပါနည်းလမ်းသည် ဆက်စပ်အမှားအယွင်း 0.26% ဖြင့် လေ့ကျင့်ထားသော matrices ကို ထုတ်ပေးခဲ့သည်။ အဖွဲ့သည် ဆားကစ်ရှိ မူရင်း tunable ဒြပ်စင်အရေအတွက်ထက် ပိုကြီးသော matrices အတွက် scattering media မှတဆင့် situ လေ့ကျင့်ရေးတွင် သရုပ်ပြခဲ့သည် — အမည်ခံပြဿနာ လိုအပ်သည်ထက် ရုပ်ပိုင်းဆိုင်ရာ ထိန်းချုပ်မှုနည်းသော ထိရောက်စွာ သင်ယူမှုဖြင့် သရုပ်ပြခဲ့သည်။

အထူးခြားဆုံးဖြစ်ကောင်း ဖြစ်နိုင်သည်မှာ သုတေသီများက meta-photonic circuit များသည် situ meta-learning တွင် လုပ်ဆောင်နိုင်သည်ကို တွေ့ရှိရပြီး ၎င်းတို့ဖော်ပြသည့် single-shot photonic learning သည် 251-fold model compression နှင့် 136-fold task-specific training acceleration ဖြင့် လုပ်ဆောင်နိုင်သည်ကို ပြသခဲ့သည်။ တွဲဖက်အကျဉ်းချုပ်တွင် ဟာ့ဒ်ဝဲသည် မက်ထရစ်ဒီဇိုင်း၊ လှိုင်းအလျားပေါင်းများစွာတွက်ချက်ခြင်းနှင့် ဆားကစ်၏ဒစ်ဂျစ်တယ်မော်ဒယ်အပြည့်အစုံမပါဘဲ လျင်မြန်သော meta-learning ကို ရရှိကြောင်း ထပ်လောင်းဖော်ပြထားသည်။

##ဘာကြောင့်အရေးကြီးတာလဲ။

AI ၏ စွမ်းအင်စားချင်စိတ်သည် စက်မှုလုပ်ငန်း၏ အပြင်းထန်ဆုံး ကန့်သတ်ချက်များထဲမှ တစ်ခုဖြစ်ပြီး optical computing သည် အီလက်ထရွန်းနစ် ပရိုဆက်ဆာများထက် ပါဝါနိမ့်သော matrix multiplications များကို လုပ်ဆောင်ရန် နည်းလမ်းအဖြစ် ကာလရှည်ကြာ အဆိုပြုထားသည်။ startup များနှင့် ပညာရပ်ဆိုင်ရာ အဖွဲ့များမှ အလင်းဝင်ပေါက် ချစ်ပ်များသည် အထင်ကြီးလောက်သော ကောက်ချက်ချမှုအား သရုပ်ပြပြီးဖြစ်သည်။ လေ့ကျင့်ရေးတွင်မူ ဒစ်ဂျစ်တယ်အဖြစ် တည်ရှိနေသည်- ချစ်ပ်သည် ကွန်ရက်ကို လည်ပတ်စေသော်လည်း ၎င်းကို အတုယူသည့် GPU များတွင် သင်ယူမှု ဖြစ်ပေါ်သည်။

လက်တွေ့ကျသော situ လေ့ကျင့်ရေးနည်းလမ်းသည် ထိုကွာဟချက်ကို ပိတ်စေပြီး ဟာ့ဒ်ဝဲရှိ အလုပ်အသစ်များနှင့် လိုက်လျောညီထွေဖြစ်အောင် photonic စနစ်များကို လိုက်လျောညီထွေဖြစ်အောင် ပြုလုပ်ပေးမည်ဖြစ်သည်။ ချစ်ပ်များသည် အသုံးမပြုမီတွင် စုံလင်သောသွင်ပြင်လက္ခဏာနှင့် လျော်ကြေးပေးဆောင်ရန် မလိုအပ်တော့သောကြောင့် photonic accelerator များအသုံးပြုရာတွင်လည်း ကုန်ကျစရိတ်ကို လျှော့ချပေးနိုင်ပါသည်။ စာရေးဆရာများသည် "လိုက်လျောညီထွေရှိသော နှင့် ထိရောက်သော အသိဉာဏ်ရှိသော ဖိုနစ်စနစ်များဆီသို့ လက်တွေ့ကျသောလမ်းကြောင်း" ကို ပေးဆောင်ခြင်းဖြစ်သည်ဟု ဘောင်ခတ်ထားသည်။

သတိပေးချက်များ

ရလဒ်များသည် ထိန်းချုပ်ဓာတ်ခွဲခန်း သရုပ်ပြမှုများမှ ဆင်းသက်လာပြီး စာရွက်၏ အနှစ်ချုပ်သည် ထုတ်လုပ်မှု အဆင်သင့်ဖြစ်မှုကို မတောင်းဆိုပါ။ သရုပ်ပြ matrix အရွယ်အစားမှ frontier neural networks များစကေးအထိ ချဲ့ထွင်ခြင်းသည် တိုင်းတာခြင်းယန္တရား — synthetic time-reversal holography — ကို ကျစ်လစ်သိပ်သည်း၍ ထုတ်လုပ်နိုင်သော ပက်ကေ့ခ်ျများအဖြစ် ပေါင်းစပ်ထားသော အင်ဂျင်နီယာဆိုင်ရာ စိန်ခေါ်မှုတစ်ခုဖြစ်သည်။ ကမ္ဘာတဝှမ်းတွင် ဖြန့်ကျက်အသုံးပြုမှုများသည် အပူချိန်အလွှဲအပြောင်းများနှင့် အစိတ်အပိုင်းများ အိုမင်းခြင်းတစ်လျှောက် ယုံကြည်စိတ်ချရမှုကို သက်သေပြရန် လိုအပ်မည်ဖြစ်ပြီး၊ ဓါတ်ပုံနစ်စနစ်များ ပျံ့လွင့်သွားနိုင်သည့် အခြေအနေများဖြစ်သည်။

သို့တိုင်၊ ထုတ်ဝေမှုသည် နယ်ပယ်အတွက် အလေးပေးမှုတွင် ထင်ရှားသောပြောင်းလဲမှုတစ်ခုဖြစ်သည်- ပိုမိုကောင်းမွန်သော photonic circuit များကို ဒီဇိုင်းထုတ်ခြင်းမှ photonic circuit များကို ၎င်းတို့ကိုယ်တိုင် ဒီဇိုင်းထုတ်ခြင်းအထိ၊ အနည်းဆုံး ၎င်းတို့၏ ကိုယ်ပိုင် parameters များကို ချိန်ညှိခြင်း၏ ကျဉ်းမြောင်းသောသဘောဖြင့် အမှတ်အသားပြုပါသည်။ နောက်ဆက်တွဲအလုပ်သည် ရလဒ်များကို ကြီးမားသောအတိုင်းအတာဖြင့် ပြန်ထုတ်ပေးပါက၊ optical AI ဟာ့ဒ်ဝဲအတွက် စွမ်းအင်ကိစ္စသည် ရုပ်ပိုင်းဆိုင်ရာအရ ပိုမိုအားကောင်းလာသည်။

Tiankuang Zhou၊ Yun Zhao၊ Shanglong Li၊ Guocheng Shao၊ Ruqi Huang နှင့် Lu Fang တို့၏ "Photonic neuromorphic learning through the generalized in situ physical gradient descent" ကို Nature Computational Science တွင် ထုတ်ဝေထားသည်။

---

Stay Ahead of AI

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

Read more AI news →