O echipă de cercetători a demonstrat o metodă generală de antrenare a circuitelor integrate fotonice direct pe cipul fizic, un pas care ar putea transforma procesoarele optice din acceleratoare fixe, pre-proiectate, în hardware care învață după ce este construit. Lucrarea, publicată în Nature Computational Science, este rezumată într-un rezumat însoțitor intitulat „Circuitele fotonice devin hardware AI antrenabil”.
Metoda, numită INSPIRE – prescurtare de la coborârea gradientului fizic pe cip, in situ – abordează unul dintre blocajele centrale în calculul fotonic pentru inteligența artificială: deși procesoarele fotonice promit câștiguri majore în viteză și eficiență energetică, pregătirea lor a rămas în mare parte limitată la simulări digitale care necesită modelare fizică costisitoare și suferă de erori induse de fabricație. For more context on this story, see our ongoing AI industry coverage.
De ce cipurile fotonice AI sunt greu de antrenat
Majoritatea rețelelor neuronale de astăzi sunt antrenate pe hardware digital, unde gradienții pot fi calculați exact. Circuitele fotonice sunt diferite: lumina interferează, se împrăștie și se cuplează în moduri greu de modelat perfect, iar micile variații de fabricație înseamnă că un cip din laborator se comportă rareori exact ca geamănul său digital. Antrenarea rețelei offline și apoi transferarea parametrilor pe cip înseamnă acceptarea unei nepotriviri care degradează precizia.
Cercetările anterioare au eliminat problema. Studiile au demonstrat propagarea inversă in situ și măsurarea gradientului în rețelele neuronale fotonice, iar în 2024, cercetătorii au introdus antrenament în mod complet înainte pentru rețelele neuronale optice pentru a reduce dependența de emularea modelului digital. Noua lucrare extinde această linie pretinzând o metodă care este generală pentru arhitecturile de circuit, mai degrabă decât adaptată unui singur design.
Cum funcționează INSPIRE
Potrivit lucrării, INSPIRE utilizează holografia sintetică cu inversare a timpului pe cip pentru a măsura câmpurile complexe complete ale modurilor fotonice bidirecționale. Această măsurătoare permite circuitului însuși să calculeze gradienți și să-și actualizeze proprii parametri, fără a necesita un model digital complet al cipului.
Consecința practică este semnificativă. Deoarece calculul gradientului are loc în interiorul sistemului fizic, diverse topologii de circuite pot fi antrenate după fabricare, iar hardware-ul poate gestiona proiectarea matricei, calculul cu mai multe lungimi de undă și meta-învățarea rapidă fără o replică digitală fidelă. În fluxurile de lucru convenționale, fiecare dintre acești pași ar depinde de acuratețea simulării pe care cipurile din lumea reală nu o pot garanta.
Cadrul este descris ca fiind agnostic de topologie, ceea ce înseamnă că funcționează cu diverse modele de circuite optice, mai degrabă decât cu un singur aspect personalizat. Deoarece gradienții sunt măsurați fizic, rețeaua poate fi antrenată după fabricare, absorbind chiar imperfecțiunile de fabricație care altfel ar conta ca zgomot.
Rezultatele
Cifrele raportate sunt specifice. În experimente, metoda a dat matrici antrenate cu o eroare relativă de 0,26%. Echipa a demonstrat, de asemenea, antrenament in situ prin medii de împrăștiere pentru matrici mai mari decât numărul de elemente reglabile native din circuit - învățând efectiv cu mai puține controale fizice decât necesită problema nominală.
Poate cel mai izbitor, cercetătorii au arătat că circuitele meta-fotonice pot efectua meta-învățare in situ, realizând ceea ce ei descriu ca învățarea fotonică cu o singură lovitură cu compresie de 251 de ori model și accelerare de antrenament specifică sarcinii de 136 de ori. Rezumatul însoțitor adaugă că hardware-ul realizează design de matrice, calcul cu mai multe lungimi de undă și meta-învățare rapidă fără un model digital complet al circuitului.
De ce contează
Apetitul energetic al inteligenței artificiale este una dintre cele mai presante constrângeri ale industriei, iar calculul optic a fost propus de mult timp ca o modalitate de a rula multiplicarea matricei - funcționarea de bază a rețelelor neuronale - la o putere mult mai mică decât procesoarele electronice. Cipurile optice de la startup-uri și grupurile academice au demonstrat deja un randament impresionant de inferență. Cu toate acestea, antrenamentul a rămas digital: cipul rulează rețeaua, dar învățarea are loc pe GPU-uri care o simulează.
O metodă practică de antrenament in situ ar reduce acest decalaj, permițând sistemelor fotonice să se adapteze la noile sarcini ale hardware-ului însuși. De asemenea, ar putea reduce costul implementării acceleratorilor fotonici, deoarece cipurile nu ar mai trebui să fie caracterizate și compensate perfect înainte de utilizare. Autorii încadrează lucrarea ca oferind „un traseu practic către sisteme fotonice inteligente adaptabile și eficiente”.
Avertismente
Rezultatele provin din demonstrații de laborator controlate, iar rezumatul lucrării nu pretinde că este pregătit pentru producție. Scalarea antrenamentului pe cip de la dimensiunile matricei demonstrate la scara rețelelor neuronale de frontieră rămâne o provocare deschisă de inginerie, la fel ca și integrarea aparatului de măsurare - holografia sintetică cu inversare a timpului - în pachete compacte, fabricabile în masă. De asemenea, implementările din lumea reală ar trebui să demonstreze fiabilitatea în timpul variațiilor de temperatură și a îmbătrânirii componentelor, condiții în care se știe că sistemele fotonice se deplasează.
Totuși, publicația marchează o schimbare notabilă a accentului în domeniu: de la proiectarea de circuite fotonice mai bune la lăsarea circuitelor fotonice să se proiecteze singure, cel puțin în sensul restrâns de reglare a propriilor parametri. Dacă munca ulterioară reproduce rezultatele la scară mai mare, cazul energetic pentru hardware-ul AI optic devine semnificativ mai puternic.
Studiul de bază, „Învățare neuromorfă fotonică prin coborâre generalizată a gradientului fizic in situ”, de Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang și Lu Fang, este publicat în Nature Computational Science.
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
