ਖੋਜਕਰਤਾਵਾਂ ਦੀ ਇੱਕ ਟੀਮ ਨੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਭੌਤਿਕ ਚਿੱਪ 'ਤੇ ਫੋਟੋਨਿਕ ਏਕੀਕ੍ਰਿਤ ਸਰਕਟਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਲਈ ਇੱਕ ਆਮ ਵਿਧੀ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਹੈ, ਇੱਕ ਅਜਿਹਾ ਕਦਮ ਜੋ ਆਪਟੀਕਲ ਪ੍ਰੋਸੈਸਰਾਂ ਨੂੰ ਫਿਕਸਡ, ਪੂਰਵ-ਡਿਜ਼ਾਇਨ ਕੀਤੇ ਐਕਸੀਲੇਟਰਾਂ ਤੋਂ ਹਾਰਡਵੇਅਰ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ ਜੋ ਇਸਨੂੰ ਬਣਾਉਣ ਤੋਂ ਬਾਅਦ ਸਿੱਖਦਾ ਹੈ। ਨੇਚਰ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸਾਇੰਸ ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਕੰਮ, "ਫੋਟੋਨਿਕ ਸਰਕਟਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਯੋਗ AI ਹਾਰਡਵੇਅਰ" ਸਿਰਲੇਖ ਦੇ ਇੱਕ ਸਾਥੀ ਸੰਖੇਪ ਵਿੱਚ ਸੰਖੇਪ ਕੀਤਾ ਗਿਆ ਹੈ।
ਵਿਧੀ, ਜਿਸਨੂੰ INSPIRE ਕਿਹਾ ਜਾਂਦਾ ਹੈ - ਆਨ-ਚਿੱਪ ਲਈ ਛੋਟਾ, ਸਿਟੂ ਫਿਜ਼ੀਕਲ ਗਰੇਡੀਐਂਟ ਡਿਸੈਂਟ ਵਿੱਚ - ਨਕਲੀ ਬੁੱਧੀ ਲਈ ਫੋਟੋਨਿਕ ਕੰਪਿਊਟਿੰਗ ਵਿੱਚ ਕੇਂਦਰੀ ਰੁਕਾਵਟਾਂ ਵਿੱਚੋਂ ਇੱਕ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰਦਾ ਹੈ: ਹਾਲਾਂਕਿ ਫੋਟੋਨਿਕ ਪ੍ਰੋਸੈਸਰ ਸਪੀਡ ਅਤੇ ਊਰਜਾ ਕੁਸ਼ਲਤਾ ਵਿੱਚ ਵੱਡੇ ਲਾਭਾਂ ਦਾ ਵਾਅਦਾ ਕਰਦੇ ਹਨ, ਉਹਨਾਂ ਦੀ ਸਿਖਲਾਈ ਵੱਡੇ ਪੱਧਰ 'ਤੇ ਡਿਜੀਟਲ ਸਿਮੂਲੇਸ਼ਨਾਂ ਤੱਕ ਸੀਮਤ ਰਹੀ ਹੈ ਜਿਸ ਲਈ ਮਹਿੰਗੇ ਭੌਤਿਕ ਮਾਡਲਿੰਗ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। For more context on this story, see our ongoing AI news.
ਫੋਟੋਨਿਕ ਏਆਈ ਚਿੱਪਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣਾ ਕਿਉਂ ਔਖਾ ਹੈ
ਅੱਜ ਬਹੁਤੇ ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਨੂੰ ਡਿਜੀਟਲ ਹਾਰਡਵੇਅਰ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ, ਜਿੱਥੇ ਗਰੇਡੀਐਂਟ ਦੀ ਬਿਲਕੁਲ ਗਣਨਾ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਫੋਟੋਨਿਕ ਸਰਕਟ ਵੱਖੋ-ਵੱਖਰੇ ਹੁੰਦੇ ਹਨ: ਰੋਸ਼ਨੀ ਵਿਚ ਦਖਲਅੰਦਾਜ਼ੀ, ਸਕੈਟਰ ਅਤੇ ਜੋੜੇ ਅਜਿਹੇ ਤਰੀਕਿਆਂ ਨਾਲ ਜਿਨ੍ਹਾਂ ਦਾ ਸੰਪੂਰਨ ਮਾਡਲ ਬਣਾਉਣਾ ਮੁਸ਼ਕਲ ਹੁੰਦਾ ਹੈ, ਅਤੇ ਛੋਟੇ ਨਿਰਮਾਣ ਭਿੰਨਤਾਵਾਂ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਵਿੱਚ ਇੱਕ ਚਿੱਪ ਸ਼ਾਇਦ ਹੀ ਆਪਣੇ ਡਿਜੀਟਲ ਜੁੜਵਾਂ ਵਾਂਗ ਵਿਵਹਾਰ ਕਰਦੀ ਹੈ। ਨੈਟਵਰਕ ਨੂੰ ਔਫਲਾਈਨ ਸਿਖਲਾਈ ਦੇਣ ਅਤੇ ਫਿਰ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਚਿੱਪ 'ਤੇ ਟ੍ਰਾਂਸਫਰ ਕਰਨ ਦਾ ਮਤਲਬ ਹੈ ਇੱਕ ਬੇਮੇਲਤਾ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ ਜੋ ਸ਼ੁੱਧਤਾ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ।
ਪਿਛਲੀ ਖੋਜ ਨੇ ਸਮੱਸਿਆ ਨੂੰ ਦੂਰ ਕਰ ਦਿੱਤਾ ਹੈ। ਅਧਿਐਨਾਂ ਨੇ ਫੋਟੋਨਿਕ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਵਿੱਚ ਸਥਿਤੀ ਦੇ ਬੈਕਪ੍ਰੋਪੈਗੇਸ਼ਨ ਅਤੇ ਗਰੇਡੀਐਂਟ ਮਾਪ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਿਤ ਕੀਤਾ ਹੈ, ਅਤੇ 2024 ਵਿੱਚ ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਡਿਜੀਟਲ ਮਾਡਲ ਇਮੂਲੇਸ਼ਨ 'ਤੇ ਨਿਰਭਰਤਾ ਨੂੰ ਘਟਾਉਣ ਲਈ ਆਪਟੀਕਲ ਨਿਊਰਲ ਨੈਟਵਰਕ ਲਈ ਪੂਰੀ ਤਰ੍ਹਾਂ ਫਾਰਵਰਡ ਮੋਡ ਸਿਖਲਾਈ ਪੇਸ਼ ਕੀਤੀ ਹੈ। ਨਵਾਂ ਕੰਮ ਇੱਕ ਵਿਧੀ ਦਾ ਦਾਅਵਾ ਕਰਕੇ ਇਸ ਲਾਈਨ ਨੂੰ ਵਿਸਤਾਰ ਕਰਦਾ ਹੈ ਜੋ ਇੱਕ ਡਿਜ਼ਾਈਨ ਲਈ ਤਿਆਰ ਕੀਤੇ ਜਾਣ ਦੀ ਬਜਾਏ ਸਰਕਟ ਆਰਕੀਟੈਕਚਰ ਵਿੱਚ ਆਮ ਹੈ।
ਇੰਸਪਾਇਰ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ
ਪੇਪਰ ਦੇ ਅਨੁਸਾਰ, INSPIRE ਦੋ-ਦਿਸ਼ਾਵੀ ਫੋਟੋਨਿਕ ਮੋਡਾਂ ਦੇ ਪੂਰੇ ਗੁੰਝਲਦਾਰ ਖੇਤਰਾਂ ਨੂੰ ਮਾਪਣ ਲਈ ਆਨ-ਚਿੱਪ ਸਿੰਥੈਟਿਕ ਟਾਈਮ-ਰਿਵਰਸਲ ਹੋਲੋਗ੍ਰਾਫੀ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ। ਇਹ ਮਾਪ ਸਰਕਟ ਨੂੰ ਆਪਣੇ ਆਪ ਨੂੰ ਗਰੇਡੀਐਂਟ ਦੀ ਗਣਨਾ ਕਰਨ ਅਤੇ ਆਪਣੇ ਖੁਦ ਦੇ ਮਾਪਦੰਡਾਂ ਨੂੰ ਅੱਪਡੇਟ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ, ਬਿਨਾਂ ਚਿੱਪ ਦੇ ਪੂਰੇ ਡਿਜੀਟਲ ਮਾਡਲ ਦੀ ਲੋੜ ਹੈ।
ਵਿਹਾਰਕ ਨਤੀਜਾ ਮਹੱਤਵਪੂਰਨ ਹੈ. ਕਿਉਂਕਿ ਗਰੇਡੀਐਂਟ ਗਣਨਾ ਭੌਤਿਕ ਪ੍ਰਣਾਲੀ ਦੇ ਅੰਦਰ ਹੁੰਦੀ ਹੈ, ਵਿਭਿੰਨ ਸਰਕਟ ਟੋਪੋਲੋਜੀਜ਼ ਨੂੰ ਫੈਬਰੀਕੇਸ਼ਨ ਤੋਂ ਬਾਅਦ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਅਤੇ ਹਾਰਡਵੇਅਰ ਮੈਟ੍ਰਿਕਸ ਡਿਜ਼ਾਈਨ, ਮਲਟੀਵੇਵਲੈਂਥ ਕੰਪਿਊਟੇਸ਼ਨ ਅਤੇ ਵਫ਼ਾਦਾਰ ਡਿਜੀਟਲ ਪ੍ਰਤੀਕ੍ਰਿਤੀ ਦੇ ਬਿਨਾਂ ਤੇਜ਼ ਮੈਟਾ-ਲਰਨਿੰਗ ਨੂੰ ਸੰਭਾਲ ਸਕਦਾ ਹੈ। ਰਵਾਇਤੀ ਵਰਕਫਲੋ ਵਿੱਚ, ਇਹਨਾਂ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਕਦਮ ਸਿਮੂਲੇਸ਼ਨ ਸ਼ੁੱਧਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰੇਗਾ ਕਿ ਅਸਲ-ਸੰਸਾਰ ਚਿਪਸ ਗਾਰੰਟੀ ਨਹੀਂ ਦੇ ਸਕਦੇ ਹਨ।
ਫਰੇਮਵਰਕ ਨੂੰ ਟੌਪੋਲੋਜੀ-ਅਗਨੋਸਟਿਕ ਵਜੋਂ ਦਰਸਾਇਆ ਗਿਆ ਹੈ, ਭਾਵ ਇਹ ਇੱਕ ਸਿੰਗਲ ਬੇਸਪੋਕ ਲੇਆਉਟ ਦੀ ਬਜਾਏ ਵਿਭਿੰਨ ਆਪਟੀਕਲ ਸਰਕਟ ਡਿਜ਼ਾਈਨਾਂ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ। ਕਿਉਂਕਿ ਗਰੇਡੀਐਂਟ ਭੌਤਿਕ ਤੌਰ 'ਤੇ ਮਾਪਿਆ ਜਾਂਦਾ ਹੈ, ਨੈਟਵਰਕ ਨੂੰ ਨਿਰਮਾਣ ਤੋਂ ਬਾਅਦ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਬਹੁਤ ਹੀ ਨਿਰਮਾਣ ਦੀਆਂ ਕਮੀਆਂ ਨੂੰ ਜਜ਼ਬ ਕਰਕੇ ਜੋ ਕਿ ਨਹੀਂ ਤਾਂ ਸ਼ੋਰ ਵਜੋਂ ਗਿਣਿਆ ਜਾਵੇਗਾ।
ਨਤੀਜੇ
ਰਿਪੋਰਟ ਕੀਤੇ ਨੰਬਰ ਖਾਸ ਹਨ। ਪ੍ਰਯੋਗਾਂ ਵਿੱਚ, ਵਿਧੀ ਨੇ 0.26% ਦੀ ਅਨੁਸਾਰੀ ਗਲਤੀ ਦੇ ਨਾਲ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਮੈਟ੍ਰਿਕਸ ਪ੍ਰਾਪਤ ਕੀਤੇ। ਟੀਮ ਨੇ ਸਰਕਟ ਵਿੱਚ ਮੂਲ ਟਿਊਨੇਬਲ ਐਲੀਮੈਂਟਸ ਦੀ ਸੰਖਿਆ ਤੋਂ ਵੱਧ ਮੈਟ੍ਰਿਕਸ ਲਈ ਸਕੈਟਰਿੰਗ ਮੀਡੀਆ ਦੁਆਰਾ ਸਥਿਤੀ ਦੀ ਸਿਖਲਾਈ ਵਿੱਚ ਵੀ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ - ਜਿਸ ਸਮੱਸਿਆ ਲਈ ਨਾਮਾਤਰ ਤੌਰ 'ਤੇ ਲੋੜੀਂਦਾ ਹੈ ਉਸ ਤੋਂ ਘੱਟ ਭੌਤਿਕ ਨਿਯੰਤਰਣਾਂ ਨਾਲ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਸਿੱਖਣਾ।
ਸ਼ਾਇਦ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ, ਖੋਜਕਰਤਾਵਾਂ ਨੇ ਦਿਖਾਇਆ ਕਿ ਮੈਟਾ-ਫੋਟੋਨਿਕ ਸਰਕਟ ਸਿਟੂ ਮੈਟਾ-ਲਰਨਿੰਗ ਵਿੱਚ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦੇ ਹਨ, ਇਹ ਮਹਿਸੂਸ ਕਰਦੇ ਹੋਏ ਕਿ ਉਹ 251-ਗੁਣਾ ਮਾਡਲ ਕੰਪਰੈਸ਼ਨ ਅਤੇ 136-ਗੁਣਾ ਟਾਸਕ-ਵਿਸ਼ੇਸ਼ ਸਿਖਲਾਈ ਪ੍ਰਵੇਗ ਦੇ ਨਾਲ ਸਿੰਗਲ-ਸ਼ਾਟ ਫੋਟੋਨਿਕ ਲਰਨਿੰਗ ਦੇ ਰੂਪ ਵਿੱਚ ਵਰਣਨ ਕਰਦੇ ਹਨ। ਸਾਥੀ ਸੰਖੇਪ ਅੱਗੇ ਕਹਿੰਦਾ ਹੈ ਕਿ ਹਾਰਡਵੇਅਰ ਸਰਕਟ ਦੇ ਪੂਰੇ ਡਿਜੀਟਲ ਮਾਡਲ ਤੋਂ ਬਿਨਾਂ ਮੈਟ੍ਰਿਕਸ ਡਿਜ਼ਾਈਨ, ਮਲਟੀਵੇਵਲੈਂਥ ਗਣਨਾ ਅਤੇ ਤੇਜ਼ ਮੈਟਾ-ਲਰਨਿੰਗ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ।
ਇਹ ਮਾਇਨੇ ਕਿਉਂ ਰੱਖਦਾ ਹੈ
AI ਦੀ ਊਰਜਾ ਦੀ ਭੁੱਖ ਉਦਯੋਗ ਦੀਆਂ ਸਭ ਤੋਂ ਵੱਧ ਦਬਾਅ ਵਾਲੀਆਂ ਰੁਕਾਵਟਾਂ ਵਿੱਚੋਂ ਇੱਕ ਹੈ, ਅਤੇ ਆਪਟੀਕਲ ਕੰਪਿਊਟਿੰਗ ਨੂੰ ਲੰਬੇ ਸਮੇਂ ਤੋਂ ਮੈਟ੍ਰਿਕਸ ਗੁਣਾ - ਨਿਊਰਲ ਨੈੱਟਵਰਕਾਂ ਦਾ ਕੋਰ ਓਪਰੇਸ਼ਨ - ਇਲੈਕਟ੍ਰਾਨਿਕ ਪ੍ਰੋਸੈਸਰਾਂ ਨਾਲੋਂ ਬਹੁਤ ਘੱਟ ਪਾਵਰ 'ਤੇ ਚਲਾਉਣ ਦੇ ਤਰੀਕੇ ਵਜੋਂ ਪ੍ਰਸਤਾਵਿਤ ਕੀਤਾ ਗਿਆ ਹੈ। ਸਟਾਰਟਅਪਸ ਅਤੇ ਅਕਾਦਮਿਕ ਸਮੂਹਾਂ ਤੋਂ ਆਪਟੀਕਲ ਚਿਪਸ ਪਹਿਲਾਂ ਹੀ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਅਨੁਮਾਨ ਥ੍ਰੋਪੁੱਟ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਚੁੱਕੇ ਹਨ। ਸਿਖਲਾਈ, ਹਾਲਾਂਕਿ, ਡਿਜੀਟਲ ਰਹੀ ਹੈ: ਚਿੱਪ ਨੈੱਟਵਰਕ ਨੂੰ ਚਲਾਉਂਦੀ ਹੈ, ਪਰ ਸਿੱਖਣ GPUs 'ਤੇ ਇਸਦੀ ਨਕਲ ਕਰਦੀ ਹੈ।
ਇੱਕ ਵਿਹਾਰਕ ਇਨ ਸੀਟੂ ਸਿਖਲਾਈ ਵਿਧੀ ਉਸ ਪਾੜੇ ਨੂੰ ਬੰਦ ਕਰ ਦੇਵੇਗੀ, ਫੋਟੋਨਿਕ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਹਾਰਡਵੇਅਰ ਦੇ ਆਪਣੇ ਆਪ ਵਿੱਚ ਨਵੇਂ ਕਾਰਜਾਂ ਦੇ ਅਨੁਕੂਲ ਹੋਣ ਦਿੰਦੀ ਹੈ। ਇਹ ਫੋਟੋਨਿਕ ਐਕਸੀਲੇਟਰਾਂ ਨੂੰ ਤੈਨਾਤ ਕਰਨ ਦੀ ਲਾਗਤ ਨੂੰ ਵੀ ਘਟਾ ਸਕਦਾ ਹੈ, ਕਿਉਂਕਿ ਚਿਪਸ ਨੂੰ ਵਰਤੋਂ ਤੋਂ ਪਹਿਲਾਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਿਸ਼ੇਸ਼ਤਾ ਅਤੇ ਮੁਆਵਜ਼ਾ ਦੇਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੋਵੇਗੀ। ਲੇਖਕ ਕੰਮ ਨੂੰ "ਅਨੁਕੂਲ ਅਤੇ ਕੁਸ਼ਲ ਬੁੱਧੀਮਾਨ ਫੋਟੋਨਿਕ ਪ੍ਰਣਾਲੀਆਂ ਵੱਲ ਇੱਕ ਵਿਹਾਰਕ ਰਸਤਾ" ਦੀ ਪੇਸ਼ਕਸ਼ ਦੇ ਰੂਪ ਵਿੱਚ ਤਿਆਰ ਕਰਦੇ ਹਨ।
ਚੇਤਾਵਨੀਆਂ
ਨਤੀਜੇ ਨਿਯੰਤਰਿਤ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਪ੍ਰਦਰਸ਼ਨਾਂ ਤੋਂ ਆਉਂਦੇ ਹਨ, ਅਤੇ ਪੇਪਰ ਦਾ ਸੰਖੇਪ ਉਤਪਾਦਨ ਦੀ ਤਿਆਰੀ ਦਾ ਦਾਅਵਾ ਨਹੀਂ ਕਰਦਾ ਹੈ। ਪ੍ਰਦਰਸ਼ਿਤ ਮੈਟ੍ਰਿਕਸ ਆਕਾਰਾਂ ਤੋਂ ਫਰੰਟੀਅਰ ਨਿਊਰਲ ਨੈਟਵਰਕਸ ਦੇ ਪੈਮਾਨੇ ਤੱਕ ਆਨ-ਚਿੱਪ ਸਿਖਲਾਈ ਨੂੰ ਸਕੇਲਿੰਗ ਕਰਨਾ ਇੱਕ ਖੁੱਲੀ ਇੰਜੀਨੀਅਰਿੰਗ ਚੁਣੌਤੀ ਬਣਿਆ ਹੋਇਆ ਹੈ, ਜਿਵੇਂ ਕਿ ਮਾਪ ਉਪਕਰਣ - ਸਿੰਥੈਟਿਕ ਟਾਈਮ-ਰਿਵਰਸਲ ਹੋਲੋਗ੍ਰਾਫੀ - ਨੂੰ ਸੰਖੇਪ, ਪੁੰਜ-ਨਿਰਮਾਣਯੋਗ ਪੈਕੇਜਾਂ ਵਿੱਚ ਏਕੀਕ੍ਰਿਤ ਕਰਨਾ। ਅਸਲ-ਸੰਸਾਰ ਤੈਨਾਤੀਆਂ ਨੂੰ ਤਾਪਮਾਨ ਦੇ ਸਵਿੰਗਾਂ ਅਤੇ ਕੰਪੋਨੈਂਟ ਬੁਢਾਪੇ ਵਿੱਚ ਭਰੋਸੇਯੋਗਤਾ ਸਾਬਤ ਕਰਨ ਦੀ ਵੀ ਲੋੜ ਹੋਵੇਗੀ, ਅਜਿਹੀਆਂ ਸਥਿਤੀਆਂ ਜਿੱਥੇ ਫੋਟੋਨਿਕ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਵਹਿਣ ਲਈ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ।
ਫਿਰ ਵੀ, ਪ੍ਰਕਾਸ਼ਨ ਖੇਤਰ ਲਈ ਜ਼ੋਰ ਦੇਣ ਵਿੱਚ ਇੱਕ ਮਹੱਤਵਪੂਰਨ ਤਬਦੀਲੀ ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰਦਾ ਹੈ: ਬਿਹਤਰ ਫੋਟੋਨਿਕ ਸਰਕਟਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਤੋਂ ਲੈ ਕੇ ਫੋਟੋਨਿਕ ਸਰਕਟਾਂ ਨੂੰ ਆਪਣੇ ਆਪ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਦੇਣ ਤੱਕ, ਘੱਟੋ ਘੱਟ ਆਪਣੇ ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਟਿਊਨ ਕਰਨ ਦੇ ਤੰਗ ਅਰਥਾਂ ਵਿੱਚ। ਜੇਕਰ ਫਾਲੋ-ਅੱਪ ਕੰਮ ਵੱਡੇ ਪੈਮਾਨੇ 'ਤੇ ਨਤੀਜਿਆਂ ਨੂੰ ਦੁਬਾਰਾ ਪੇਸ਼ ਕਰਦਾ ਹੈ, ਤਾਂ ਆਪਟੀਕਲ AI ਹਾਰਡਵੇਅਰ ਲਈ ਊਰਜਾ ਦਾ ਕੇਸ ਭੌਤਿਕ ਤੌਰ 'ਤੇ ਮਜ਼ਬੂਤ ਹੋ ਜਾਂਦਾ ਹੈ।
ਟਿਆਨਕੁਆਂਗ ਝਾਓ, ਯੂਨ ਝਾਓ, ਸ਼ਾਂਗਲੋਂਗ ਲੀ, ਗੁਓਚੇਂਗ ਸ਼ਾਓ, ਰੁਕੀ ਹੁਆਂਗ ਅਤੇ ਲੂ ਫੈਂਗ ਦੁਆਰਾ "ਫੋਟੋਨਿਕ ਨਿਊਰੋਮੋਰਫਿਕ ਲਰਨਿੰਗ ਵਾਇ ਜਨਰਲਾਈਜ਼ਡ ਇਨ ਸਿਟੂ ਫਿਜ਼ੀਕਲ ਗਰੇਡੀਐਂਟ ਡਿਸੇਂਟ" ਅੰਡਰਲਾਈੰਗ ਅਧਿਐਨ, ਨੇਚਰ ਕੰਪਿਊਟੇਸ਼ਨਲ ਸਾਇੰਸ ਵਿੱਚ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਗਿਆ ਹੈ।
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
