Bir araştırmacı ekibi, fotonik entegre devreleri doğrudan fiziksel çip üzerinde eğitmek için genel bir yöntem gösterdi; bu, optik işlemcileri sabit, önceden tasarlanmış hızlandırıcılardan, oluşturulduktan sonra öğrenen donanıma dönüştürebilecek bir adımdır. Nature Computational Science dergisinde yayınlanan çalışma, "Fotonik devreler eğitilebilir yapay zeka donanımı haline geliyor" başlıklı bir kısa özette özetleniyor.

INSPIRE adı verilen (çip üzerinde, yerinde fiziksel gradyan inişinin kısaltması) yöntem, yapay zeka için fotonik hesaplamadaki merkezi darboğazlardan birine hitap ediyor: fotonik işlemciler hız ve enerji verimliliğinde büyük kazanımlar vaat etse de, eğitimleri büyük ölçüde maliyetli fiziksel modelleme gerektiren ve üretimden kaynaklanan hatalardan muzdarip olan dijital simülasyonlarla sınırlı kaldı. For more context on this story, see our ongoing AI trends.

Fotonik Yapay Zeka Çiplerinin Eğitilmesi Neden Zor?

Günümüzde çoğu sinir ağı, gradyanların tam olarak hesaplanabildiği dijital donanım üzerinde eğitilmektedir. Fotonik devreler farklıdır: ışık, mükemmel şekilde modellenmesi zor şekillerde girişimde bulunur, saçılır ve çiftleşir; küçük üretim farklılıkları, laboratuvardaki bir çipin nadiren dijital ikizi gibi davrandığı anlamına gelir. Ağı çevrimdışı olarak eğitmek ve ardından parametreleri çipe aktarmak, doğruluğu azaltan bir uyumsuzluğu kabul etmek anlamına gelir.

Önceki araştırmalar sorunu ortadan kaldırdı. Çalışmalar, fotonik sinir ağlarında yerinde geri yayılım ve gradyan ölçümünü gösterdi ve 2024'te araştırmacılar, dijital model emülasyonuna bağımlılığı azaltmak amacıyla optik sinir ağları için tamamen ileri mod eğitimini başlattı. Yeni çalışma, tek bir tasarıma göre uyarlanmak yerine devre mimarileri genelinde genel olan bir yöntem öne sürerek bu çizgiyi genişletiyor.

INSPIRE Nasıl Çalışır?

Makaleye göre INSPIRE, çift yönlü fotonik modların tüm karmaşık alanlarını ölçmek için çip üzerinde sentetik zamanı tersine çeviren holografiyi kullanıyor. Bu ölçüm, devrenin kendisinin gradyanları hesaplamasına ve çipin tam dijital modelini gerektirmeden kendi parametrelerini güncellemesine olanak tanır.

Pratik sonuç önemlidir. Gradyan hesaplaması fiziksel sistemin içinde gerçekleştiğinden, üretim sonrasında çeşitli devre topolojileri eğitilebilir ve donanım, sadık bir dijital kopya olmadan matris tasarımını, çok dalga boylu hesaplamayı ve hızlı meta öğrenmeyi işleyebilir. Geleneksel iş akışlarında bu adımların her biri, gerçek dünyadaki çiplerin garanti edemeyeceği simülasyon doğruluğuna bağlı olacaktır.

Çerçeve, topolojiden bağımsız olarak tanımlanıyor; bu, tek bir özel düzen yerine çeşitli optik devre tasarımlarıyla çalıştığı anlamına geliyor. Gradyanlar fiziksel olarak ölçüldüğü için ağ, üretimden sonra eğitilerek, normalde gürültü olarak kabul edilecek üretim kusurlarını absorbe edebilir.

Sonuçlar

Bildirilen rakamlar spesifiktir. Deneylerde yöntem %0,26 bağıl hatayla eğitilmiş matrisler verdi. Ekip ayrıca devredeki ayarlanabilir öğelerin sayısından daha büyük matrisler için medyayı dağıtarak yerinde eğitim gösterdi; bu, problemin nominal olarak gerektirdiğinden daha az fiziksel kontrolle etkili bir şekilde öğrenme anlamına geliyordu.

Belki de en çarpıcı olanı, araştırmacıların meta-fotonik devrelerin, 251 kat model sıkıştırma ve 136 kat göreve özel eğitim hızlandırma ile tek atışlı fotonik öğrenme olarak tanımladıkları şeyi gerçekleştirerek yerinde meta-öğrenme gerçekleştirebildiğini gösterdi. Tamamlayıcı özette, donanımın, devrenin tam dijital modeli olmadan matris tasarımı, çok dalga boylu hesaplama ve hızlı meta-öğrenmeyi başardığı belirtiliyor.

Neden Önemlidir

Yapay zekanın enerji iştahı, endüstrinin en acil kısıtlamalarından biridir ve optik hesaplama, matris çarpımlarını (nöral ağların temel işlemi) elektronik işlemcilerden çok daha düşük güçte çalıştırmanın bir yolu olarak uzun zamandır öneriliyor. Startup'ların ve akademik grupların optik çipleri zaten etkileyici bir çıkarım verimi sergiledi. Ancak eğitim dijital kaldı: Çip ağı çalıştırıyor, ancak öğrenme onu simüle eden GPU'larda gerçekleşiyor.

Pratik bir yerinde eğitim yöntemi bu boşluğu kapatarak fotonik sistemlerin donanımın kendisindeki yeni görevlere uyum sağlamasına olanak tanıyacaktır. Ayrıca çiplerin kullanımdan önce mükemmel bir şekilde karakterize edilmesi ve telafi edilmesi gerekmeyeceğinden, fotonik hızlandırıcıların dağıtım maliyetini de azaltabilir. Yazarlar çalışmayı "uyarlanabilir ve verimli akıllı fotonik sistemlere doğru pratik bir yol" olarak çerçeveliyor.

Uyarılar

Sonuçlar kontrollü laboratuvar gösterilerinden elde edilmiştir ve makalenin özeti üretime hazır olduğunu iddia etmemektedir. Çip üzerinde eğitimin kanıtlanmış matris boyutlarından sınır sinir ağlarının ölçeğine ölçeklendirilmesi, ölçüm aparatının (sentetik zamanın tersine çevrilmesi holografisi) kompakt, seri üretilebilir paketlere entegre edilmesi gibi açık bir mühendislik sorunu olmaya devam ediyor. Gerçek dünyadaki dağıtımların aynı zamanda fotonik sistemlerin sürüklendiği bilinen koşullar olan sıcaklık dalgalanmaları ve bileşen eskimesi karşısında güvenilirliği kanıtlaması gerekecektir.

Yine de yayın, alana yönelik vurguda kayda değer bir değişime işaret ediyor: daha iyi fotonik devreler tasarlamaktan, fotonik devrelerin kendilerini tasarlamasına izin vermeye, en azından kendi parametrelerini ayarlama dar anlamda. Takip çalışmaları sonuçları daha büyük ölçekte yeniden üretirse, optik yapay zeka donanımının enerji durumu maddi olarak güçlenecek.

Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang ve Lu Fang tarafından yapılan "Genelleştirilmiş yerinde fiziksel gradyan iniş yoluyla fotonik nöromorfik öğrenme" adlı temel çalışma, Nature Computational Science'da yayınlandı.

---

Stay Ahead of AI

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

Read more AI news →