Intel boekt vooruitgang in ontwikkeling optische chips die AI versnellen

Chipfabrikant Intel heeft vooruitgang geboekt in de ontwikkeling van optische chips die speciaal gemaakt zijn voor kunstmatige intelligentie (AI) workloads. Wetenschappers van het bedrijf hebben technieken waarmee optische neurale netwerken dichterbij de realiteit komen, meldt Venturebeat

Photonic integrated circuits, ook wel optische chips genoemd, moeten met een serie aan voordelen komen ten opzichte van hun elektronische broertjes. Het gaat onder meer om een lager energieverbruik en snellere verwerkingssnelheden. Diverse onderzoekers denken dan ook dat ze mogelijk speciaal gemaakt zijn voor AI-workloads.

Nu zijn de chips dus weer een stap dichterbij het worden van een realiteit. De schrijvers van het onderzoek stellen dat eerder werk heeft getoond dat een type photonic-circuit, dat bekend staat als een Mach-Zender interferometer (MZI), geconfigureerd kan worden om een twee-bij-twee matrixvermenigvuldiging tussen hoeveelheden gerelateerd aan de fasen van twee lichtstralen uit te voeren.

Als deze kleine matrixvermenigvuldigingen gesorteerd worden in een driehoekig netwerk om grotere matrices te maken, produceren ze een circuit dat een matrix-vector vermenigvuldiging implementeert. Dat is een belangrijke computation in deep learning.

Twee architecturen

Het team van Intel heeft twee architecturen overwogen om een AI-systeem te maken uit MZI’s. Het gaat om GridNet en FFTNet. GridNet sorteert de MZI’s in een grid, terwijl FFTNet ze in een vlinder-achtig patroon zet.

Nadat de onderzoekers de twee getraind hadden in een simulatie op een benchmark deep learning-taak van handgeschreven cijferherkenning (MNIST), ontdekten ze dat GridNet een hogere accuraatheid wist te bereiken dan FFTNet in het geval van ‘double-recision floating point’-accuraatheid. Het gaat om scores van 98 procent tegenover 95 procent. FFTNet was echter veel robuuster.

De prestaties van GridNet kwamen onder de 50 procent uit als kunstmatige ruis werd toegevoegd. Die van FFTNet bleven vrijwel constant.

Basis

Volgens de wetenschappers legt dit onderzoek de basis voor AI-software-trainingstechnieken die mogelijk de noodzaak om optische chips na productie te verfijnen wegneemt, waardoor er tijd en arbeid bespaard wordt.