ทีมนักวิจัยได้สาธิตวิธีการทั่วไปในการฝึกอบรมวงจรรวมโฟโตนิกบนชิปฟิสิคัลโดยตรง ซึ่งเป็นขั้นตอนที่สามารถเปลี่ยนโปรเซสเซอร์ออปติคัลจากตัวเร่งความเร็วคงที่ที่ออกแบบไว้ล่วงหน้าให้เป็นฮาร์ดแวร์ที่เรียนรู้หลังจากถูกสร้างขึ้น งานที่ตีพิมพ์ในวารสาร Nature Computational Science ได้รับการสรุปไว้ในบทสรุปที่มีชื่อว่า "วงจรโฟโตนิกกลายเป็นฮาร์ดแวร์ AI ที่สามารถฝึกได้"

วิธีการที่เรียกว่า INSPIRE ย่อมาจาก On-Chip ในการไล่ระดับทางกายภาพในแหล่งกำเนิด กล่าวถึงปัญหาคอขวดที่สำคัญอย่างหนึ่งในการประมวลผลโทนิคสำหรับปัญญาประดิษฐ์ แม้ว่าโปรเซสเซอร์โทนิคจะให้คำมั่นสัญญาว่าจะได้รับความเร็วและประสิทธิภาพด้านพลังงานเพิ่มขึ้นอย่างมาก แต่การฝึกอบรมของพวกเขายังคงจำกัดอยู่เพียงการจำลองทางดิจิทัลส่วนใหญ่ที่ต้องใช้การสร้างแบบจำลองทางกายภาพที่มีราคาแพงและประสบจากข้อผิดพลาดที่เกิดจากการประดิษฐ์ For more context on this story, see our ongoing AI news.

เหตุใดชิป Photonic AI จึงฝึกได้ยาก

โครงข่ายประสาทเทียมส่วนใหญ่ในปัจจุบันได้รับการฝึกฝนเกี่ยวกับฮาร์ดแวร์ดิจิทัล ซึ่งสามารถคำนวณการไล่ระดับสีได้อย่างแม่นยำ วงจรโฟโตนิกมีความแตกต่างกัน เช่น แสงรบกวน การกระเจิง และการจับคู่ในลักษณะที่ยากต่อการสร้างแบบจำลองที่สมบูรณ์แบบ และรูปแบบการผลิตเพียงเล็กน้อย หมายความว่าชิปในห้องปฏิบัติการแทบจะไม่มีพฤติกรรมเหมือนแฝดดิจิทัลทุกประการ การฝึกอบรมเครือข่ายแบบออฟไลน์แล้วถ่ายโอนพารามิเตอร์ไปยังชิปหมายถึงการยอมรับความไม่ตรงกันซึ่งทำให้ความแม่นยำลดลง

การวิจัยก่อนหน้านี้ได้ขจัดปัญหาออกไปแล้ว การศึกษาได้แสดงให้เห็นการแพร่กระจายกลับในแหล่งกำเนิดและการวัดระดับความลาดชันในโครงข่ายประสาทโฟโตนิก และในปี 2024 นักวิจัยได้แนะนำการฝึกอบรมโหมดเดินหน้าเต็มที่สำหรับเครือข่ายประสาทเชิงแสงเพื่อลดการพึ่งพาการจำลองโมเดลดิจิทัล งานใหม่นี้ขยายขอบเขตนี้โดยอ้างว่าวิธีการทั่วไปในสถาปัตยกรรมวงจรแทนที่จะปรับให้เหมาะกับการออกแบบเดียว

วิธีการทำงานของแรงบันดาลใจ

ตามรายงาน INSPIRE ใช้โฮโลแกรมการกลับเวลาสังเคราะห์บนชิปเพื่อวัดฟิลด์ที่ซับซ้อนเต็มรูปแบบของโหมดโฟโตนิกแบบสองทิศทาง การวัดนั้นทำให้วงจรสามารถคำนวณการไล่ระดับสีและอัพเดตพารามิเตอร์ของตัวเองได้ โดยไม่ต้องใช้ชิปในรูปแบบดิจิทัลเต็มรูปแบบ

ผลในทางปฏิบัติมีความสำคัญ เนื่องจากการคำนวณแบบไล่ระดับเกิดขึ้นภายในระบบทางกายภาพ โทโพโลยีของวงจรที่หลากหลายจึงสามารถฝึกได้หลังการผลิต และฮาร์ดแวร์สามารถรองรับการออกแบบเมทริกซ์ การคำนวณแบบหลายความยาวคลื่น และเมตาเลิร์นนิงที่รวดเร็วโดยไม่ต้องใช้แบบจำลองดิจิทัลที่น่าเชื่อถือ ในขั้นตอนการทำงานแบบเดิมๆ ทุกขั้นตอนจะขึ้นอยู่กับความแม่นยำในการจำลองซึ่งชิปในโลกแห่งความเป็นจริงไม่สามารถรับประกันได้

เฟรมเวิร์กนี้ได้รับการอธิบายว่าเป็นแบบไม่เชื่อเรื่องโทโพโลยี ซึ่งหมายความว่าจะทำงานร่วมกับการออกแบบวงจรออปติกที่หลากหลาย แทนที่จะเป็นเลย์เอาต์ที่ออกแบบตามความต้องการเพียงรูปแบบเดียว เนื่องจากการไล่ระดับสีถูกวัดทางกายภาพ เครือข่ายจึงสามารถฝึกได้หลังจากการประดิษฐ์ โดยดูดซับความไม่สมบูรณ์ในการผลิตที่อาจนับเป็นสัญญาณรบกวน

ผลลัพธ์

ตัวเลขที่รายงานมีความเฉพาะเจาะจง ในการทดลอง วิธีการนี้ได้ผลลัพธ์เป็นเมทริกซ์ที่ผ่านการฝึกอบรมโดยมีข้อผิดพลาดสัมพัทธ์ 0.26% ทีมงานยังสาธิตการฝึกอบรมนอกสถานที่ผ่านสื่อกระจายสำหรับเมทริกซ์ที่มีขนาดใหญ่กว่าจำนวนองค์ประกอบที่ปรับแต่งได้ดั้งเดิมในวงจร - เรียนรู้อย่างมีประสิทธิภาพด้วยการควบคุมทางกายภาพน้อยกว่าที่ปัญหากำหนดไว้

นักวิจัยได้แสดงให้เห็นว่าวงจรเมตาโฟโตนิกสามารถทำงานได้ในแหล่งกำเนิดเมตาเลิร์นนิง โดยตระหนักว่าสิ่งที่พวกเขาอธิบายว่าเป็นการเรียนรู้โฟโตนิกแบบช็อตเดียวด้วยการบีบอัดโมเดล 251 เท่าและการเร่งความเร็วการฝึกเฉพาะงาน 136 เท่า บทสรุปที่ร่วมเดินทางเสริมว่าฮาร์ดแวร์ประสบความสำเร็จในการออกแบบเมทริกซ์ การคำนวณความยาวคลื่นหลายช่วง และการเรียนรู้เมตาอย่างรวดเร็วโดยไม่ต้องใช้วงจรดิจิทัลเต็มรูปแบบ

ทำไมมันถึงสำคัญ

ความอยากพลังงานของ AI เป็นหนึ่งในข้อจำกัดเร่งด่วนที่สุดในอุตสาหกรรม และการประมวลผลแบบออปติคอลได้รับการเสนอมานานแล้วว่าเป็นวิธีการคูณเมทริกซ์ ซึ่งเป็นการทำงานหลักของโครงข่ายประสาทเทียม โดยใช้พลังงานต่ำกว่าโปรเซสเซอร์อิเล็กทรอนิกส์มาก ชิปออปติคัลจากสตาร์ทอัพและกลุ่มวิชาการได้แสดงให้เห็นถึงปริมาณการอนุมานที่น่าประทับใจแล้ว อย่างไรก็ตาม การฝึกอบรมยังคงเป็นระบบดิจิทัล กล่าวคือ ชิปจะรันเครือข่าย แต่การเรียนรู้จะเกิดขึ้นบน GPU ที่จำลองเครือข่าย

วิธีการฝึกอบรมในแหล่งกำเนิดที่ใช้งานได้จริงจะช่วยปิดช่องว่างดังกล่าว โดยปล่อยให้ระบบโฟโตนิกปรับให้เข้ากับงานใหม่ๆ บนฮาร์ดแวร์ได้ นอกจากนี้ยังสามารถลดต้นทุนในการปรับใช้เครื่องเร่งโฟโตนิกได้ เนื่องจากชิปไม่จำเป็นต้องได้รับการกำหนดลักษณะและชดเชยอย่างสมบูรณ์แบบก่อนใช้งานอีกต่อไป ผู้เขียนได้วางกรอบงานดังกล่าวโดยเสนอ "แนวทางปฏิบัติไปสู่ระบบโฟโตนิกอัจฉริยะที่ปรับตัวและมีประสิทธิภาพ"

คำเตือน

ผลลัพธ์มาจากการสาธิตในห้องปฏิบัติการที่มีการควบคุม และการสรุปของรายงานไม่ได้อ้างถึงความพร้อมในการผลิต การปรับขนาดการฝึกอบรมบนชิปจากขนาดเมทริกซ์ที่แสดงไปจนถึงขนาดของโครงข่ายประสาทเทียมชายแดนยังคงเป็นความท้าทายทางวิศวกรรมแบบเปิด เช่นเดียวกับการบูรณาการเครื่องมือวัด — โฮโลแกรมการกลับเวลาสังเคราะห์ — ลงในแพ็คเกจขนาดกะทัดรัดที่สามารถผลิตจำนวนมากได้ การใช้งานในโลกแห่งความเป็นจริงยังต้องพิสูจน์ความน่าเชื่อถือในการแกว่งของอุณหภูมิและการเสื่อมสภาพของส่วนประกอบ ซึ่งเป็นเงื่อนไขที่ทราบว่าระบบโฟโตนิกลอยไป

อย่างไรก็ตาม การตีพิมพ์นี้ถือเป็นการเปลี่ยนแปลงที่โดดเด่นในการเน้นในด้านนี้ ตั้งแต่การออกแบบวงจรโฟโตนิกที่ดีขึ้นไปจนถึงการให้วงจรโฟโตนิกออกแบบตัวเอง อย่างน้อยก็ในแง่แคบของการปรับพารามิเตอร์ของตัวเอง หากงานติดตามผลสร้างผลลัพธ์ในขนาดที่ใหญ่ขึ้น เคสพลังงานสำหรับฮาร์ดแวร์ออปติคัล AI จะแข็งแกร่งขึ้นอย่างมาก

การศึกษาต้นแบบ "การเรียนรู้โฟโตนิกนิวโรมอร์ฟิกผ่านการไล่ระดับสีทางกายภาพทั่วไปในแหล่งกำเนิด" โดย Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang และ Lu Fang ได้รับการตีพิมพ์ใน Nature Computational Science

---

Stay Ahead of AI

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

Read more AI news →