ஃபோட்டானிக் ஒருங்கிணைந்த சுற்றுகளை இயற்பியல் சிப்பில் நேரடியாகப் பயிற்றுவிப்பதற்கான ஒரு பொதுவான முறையை ஆராய்ச்சியாளர்கள் குழு நிரூபித்துள்ளது, இது நிலையான, முன்பே வடிவமைக்கப்பட்ட முடுக்கிகளில் இருந்து ஆப்டிகல் செயலிகளை கட்டமைத்த பிறகு கற்றுக் கொள்ளும் வன்பொருளாக மாற்றும் ஒரு படியாகும். நேச்சர் கம்ப்யூடேஷனல் சயின்ஸில் வெளியிடப்பட்ட இந்த வேலை, "ஃபோட்டானிக் சர்க்யூட்கள் பயிற்சியளிக்கக்கூடிய AI வன்பொருளாக மாறுகிறது" என்ற தலைப்பில் ஒரு துணை சுருக்கமாக சுருக்கப்பட்டுள்ளது.

INSPIRE எனப்படும் இந்த முறை - ஆன்-சிப், சிட்டு இயற்பியல் சாய்வு வம்சாவளியின் சுருக்கம் - செயற்கை நுண்ணறிவுக்கான ஃபோட்டானிக் கம்ப்யூட்டிங்கில் உள்ள மைய இடையூறுகளில் ஒன்றை நிவர்த்தி செய்கிறது: ஃபோட்டானிக் செயலிகள் வேகம் மற்றும் ஆற்றல் செயல்திறனில் பெரும் ஆதாயங்களை உறுதியளிக்கின்றன என்றாலும், அவற்றின் பயிற்சி பெரும்பாலும் டிஜிட்டல் சிமுலேஷன்களில் மட்டுமே உள்ளது. For more context on this story, see our ongoing AI news.

ஏன் ஃபோட்டானிக் AI சில்லுகள் பயிற்சி செய்வது கடினம்

இன்று பெரும்பாலான நரம்பியல் நெட்வொர்க்குகள் டிஜிட்டல் வன்பொருளில் பயிற்சியளிக்கப்படுகின்றன, அங்கு சாய்வுகளை சரியாகக் கணக்கிட முடியும். ஃபோட்டானிக் சுற்றுகள் வேறுபட்டவை: ஒளி குறுக்கீடுகள், சிதறல்கள் மற்றும் ஜோடிகளை சரியாக மாதிரியாக்குவது கடினம், மேலும் சிறிய உற்பத்தி மாறுபாடுகள் ஆய்வகத்தில் உள்ள ஒரு சிப் அதன் டிஜிட்டல் இரட்டையைப் போலவே அரிதாகவே செயல்படும். நெட்வொர்க்கை ஆஃப்லைனில் பயிற்றுவித்து, பின்னர் அளவுருக்களை சிப்பில் மாற்றுவது என்பது துல்லியத்தை குறைக்கும் பொருத்தமின்மையை ஏற்றுக்கொள்வதாகும்.

முந்தைய ஆய்வுகள் சிக்கலைத் தீர்த்துவிட்டன. ஃபோட்டானிக் நியூரல் நெட்வொர்க்குகளில் சிட்டு பேக் ப்ரோபேகேஷன் மற்றும் கிரேடியண்ட் அளவீட்டில் ஆய்வுகள் நிரூபிக்கப்பட்டுள்ளன, மேலும் 2024 ஆம் ஆண்டில் ஆராய்ச்சியாளர்கள் டிஜிட்டல் மாடல் எமுலேஷனை நம்புவதைக் குறைக்க ஆப்டிகல் நியூரல் நெட்வொர்க்குகளுக்கு முழு ஃபார்வர்ட் மோட் பயிற்சியை அறிமுகப்படுத்தினர். ஒரு வடிவமைப்பிற்கு ஏற்றதாக இல்லாமல் சர்க்யூட் ஆர்கிடெக்சர் முழுவதும் பொதுவான ஒரு முறையைக் கூறி புதிய வேலை இந்த வரியை விரிவுபடுத்துகிறது.

எப்படி இன்ஸ்பைர் வேலை செய்கிறது

ஆய்வறிக்கையின்படி, இருதரப்பு ஃபோட்டானிக் முறைகளின் முழு சிக்கலான புலங்களை அளவிட INSPIRE ஆன்-சிப் செயற்கை நேர-தலைகீழ் ஹாலோகிராபியைப் பயன்படுத்துகிறது. அந்த அளவீடு, சிப்பின் முழு டிஜிட்டல் மாடல் தேவையில்லாமல், சாய்வுகளைக் கணக்கிடவும், அதன் சொந்த அளவுருக்களை புதுப்பிக்கவும் சுற்று தன்னை அனுமதிக்கிறது.

நடைமுறை விளைவு குறிப்பிடத்தக்கது. இயற்பியல் அமைப்பிற்குள் சாய்வு கணக்கீடு நடப்பதால், பல்வேறு சர்க்யூட் டோபாலஜிகள் புனையப்பட்ட பிறகு பயிற்சியளிக்கப்படலாம், மேலும் வன்பொருள் அணி வடிவமைப்பு, மல்டிவேவ்லெந்த் கணக்கீடு மற்றும் விரைவான மெட்டா-கற்றல் ஆகியவற்றை நம்பகமான டிஜிட்டல் பிரதி இல்லாமல் கையாள முடியும். வழக்கமான பணிப்பாய்வுகளில், அந்த ஒவ்வொரு படிகளும் நிஜ உலக சில்லுகளால் உத்தரவாதம் அளிக்க முடியாத உருவகப்படுத்துதல் துல்லியத்தைப் பொறுத்தது.

கட்டமைப்பானது இடவியல்-அஞ்ஞானம் என விவரிக்கப்படுகிறது, அதாவது இது ஒரு ஒற்றை பெஸ்போக் அமைப்பைக் காட்டிலும் மாறுபட்ட ஆப்டிகல் சர்க்யூட் வடிவமைப்புகளுடன் வேலை செய்கிறது. சாய்வுகள் உடல் ரீதியாக அளவிடப்படுவதால், புனையப்பட்ட பிறகு பிணையத்தை பயிற்றுவிக்க முடியும், இல்லையெனில் சத்தமாக கணக்கிடப்படும் உற்பத்தி குறைபாடுகளை உறிஞ்சிவிடும்.

முடிவுகள்

அறிவிக்கப்பட்ட எண்கள் குறிப்பிட்டவை. சோதனைகளில், இந்த முறை 0.26% ஒப்பீட்டு பிழையுடன் பயிற்சி பெற்ற மெட்ரிக்குகளை வழங்கியது. சுற்றுவட்டத்தில் உள்ள நேட்டிவ் ட்யூனபிள் உறுப்புகளின் எண்ணிக்கையை விட பெரிய மெட்ரிக்குகளுக்கான சிதறல் ஊடகங்கள் மூலம் சிட்டு பயிற்சியை குழு நிரூபித்தது - பெயரளவில் தேவைப்படும் சிக்கலை விட குறைவான உடல் கட்டுப்பாடுகளுடன் திறம்பட கற்றல்.

251 மடங்கு மாதிரி சுருக்கம் மற்றும் 136 மடங்கு பணி-குறிப்பிட்ட பயிற்சி முடுக்கம் ஆகியவற்றுடன் ஒற்றை-ஷாட் ஃபோட்டானிக் கற்றல் என்று விவரிக்கும் மெட்டா-ஃபோட்டோனிக் சர்க்யூட்கள் சிட்டு மெட்டா-லேர்னிங்கில் செயல்பட முடியும் என்று ஆராய்ச்சியாளர்கள் காட்டியுள்ளனர். வன்பொருள் மேட்ரிக்ஸ் வடிவமைப்பு, மல்டிவேவ்லெந்த் கணக்கீடு மற்றும் மின்சுற்று முழு டிஜிட்டல் மாதிரி இல்லாமல் விரைவான மெட்டா-கற்றல் ஆகியவற்றை அடைகிறது என்று துணை சுருக்கம் கூறுகிறது.

ஏன் இது முக்கியமானது

AI இன் ஆற்றல் பசி என்பது தொழில்துறையின் மிக அழுத்தமான கட்டுப்பாடுகளில் ஒன்றாகும், மேலும் ஆப்டிகல் கம்ப்யூட்டிங் என்பது மேட்ரிக்ஸ் பெருக்கல்களை இயக்குவதற்கான ஒரு வழியாக நீண்ட காலமாக முன்மொழியப்பட்டது - நியூரல் நெட்வொர்க்குகளின் முக்கிய செயல்பாடு - மின்னணு செயலிகளை விட மிகக் குறைந்த சக்தியில். தொடக்கங்கள் மற்றும் கல்விக் குழுக்களின் ஆப்டிகல் சில்லுகள் ஏற்கனவே ஈர்க்கக்கூடிய அனுமானத் திறனை வெளிப்படுத்தியுள்ளன. இருப்பினும், பயிற்சி டிஜிட்டல் முறையில் உள்ளது: சிப் நெட்வொர்க்கை இயக்குகிறது, ஆனால் கற்றல் அதை உருவகப்படுத்தும் GPUகளில் நடக்கிறது.

ஒரு நடைமுறை பயிற்சி முறை அந்த இடைவெளியை மூடும், ஃபோட்டானிக் அமைப்புகளை வன்பொருளில் உள்ள புதிய பணிகளுக்கு மாற்றியமைக்க அனுமதிக்கிறது. ஃபோட்டானிக் முடுக்கிகளைப் பயன்படுத்துவதற்கான செலவையும் இது குறைக்கலாம், ஏனெனில் சில்லுகள் இனி முழுமையாக வகைப்படுத்தப்பட வேண்டியதில்லை மற்றும் பயன்படுத்துவதற்கு முன்பு ஈடுசெய்யப்பட வேண்டியதில்லை. ஆசிரியர்கள் படைப்பை "தகவமைப்பு மற்றும் திறமையான புத்திசாலித்தனமான ஃபோட்டானிக் அமைப்புகளை நோக்கி ஒரு நடைமுறை வழியை" வழங்குகின்றனர்.

எச்சரிக்கைகள்

கட்டுப்படுத்தப்பட்ட ஆய்வக ஆர்ப்பாட்டங்களிலிருந்து முடிவுகள் வந்துள்ளன, மேலும் காகிதத்தின் சுருக்கம் உற்பத்தித் தயார்நிலையைக் கோரவில்லை. நிரூபித்த மேட்ரிக்ஸ் அளவுகளில் இருந்து எல்லைப்புற நரம்பியல் நெட்வொர்க்குகளின் அளவு வரையிலான சிப் பயிற்சியை அளவிடுவது ஒரு திறந்த பொறியியல் சவாலாகவே உள்ளது, அதே போல் அளவீட்டு கருவியை - செயற்கை நேர-தலைகீழ் ஹாலோகிராஃபி - கச்சிதமான, வெகுஜன-உற்பத்தி செய்யக்கூடிய தொகுப்புகளாக ஒருங்கிணைப்பது. நிஜ-உலக வரிசைப்படுத்தல்கள் வெப்பநிலை ஏற்ற இறக்கங்கள் மற்றும் கூறு முதுமை ஆகியவற்றில் நம்பகத்தன்மையை நிரூபிக்க வேண்டும்.

இருப்பினும், வெளியீடு புலத்திற்கான முக்கியத்துவத்தில் குறிப்பிடத்தக்க மாற்றத்தைக் குறிக்கிறது: சிறந்த ஃபோட்டானிக் சுற்றுகளை வடிவமைப்பதில் இருந்து ஃபோட்டானிக் சுற்றுகள் தங்களைத் தாங்களே வடிவமைக்க அனுமதிப்பது வரை, குறைந்தபட்சம் அவற்றின் சொந்த அளவுருக்களை சரிசெய்யும் குறுகிய அர்த்தத்தில். பின்தொடர்தல் வேலை பெரிய அளவில் முடிவுகளை மீண்டும் உருவாக்கினால், ஆப்டிகல் AI வன்பொருளுக்கான ஆற்றல் கேஸ் பொருள் ரீதியாக வலுவடைகிறது.

தியான்குவாங் சோ, யுன் ஜாவோ, ஷாங்லாங் லி, குவோசெங் ஷாவோ, ருக்கி ஹுவாங் மற்றும் லு ஃபாங் ஆகியோரின் "ஃபோட்டானிக் நியூரோமார்பிக் கற்றல் மூலம் பொதுமைப்படுத்தப்பட்ட சிட்டு இயற்பியல் சாய்வு வம்சாவளி" என்ற அடிப்படை ஆய்வு, நேச்சர் கம்ப்யூடேஷனல் சயின்ஸில் வெளியிடப்பட்டது.

---

Stay Ahead of AI

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

Read more AI news →