فعالیت کامل شرکت های فعال درزمینه ی شبکه های عصبی تا بوسیله حال براساس تراشه های سیلیکونی بوده است. پردازنده ها (CPU)، پردازنده های گرافیکی (GPU)، تراشه های پردازش شبکه های عصبی (TPU) و مدارهای حلقه دستور کار ریزی شدنی (FPGA) همگی ی این ها ممکن است انفراد های عملکردی متفاوتی داشته باشند؛ اما از ماده ای واحد مخلوق شده اند. اینتلمشغول تاسیس شبکه های فهمیدن مصنوعی با مصرف از دانش فوتونیک سیلیکونی است؛ دانشی که درزمینه ی مطالعات تحقیقاتی و کاربرد انواعی از سیستم های فوتونی فعالیت و از سیلیکون به عنوان بستر نوری استعمال می کند.مقاله ی مرتبط:اینتل تراشه جدیدی با هسته های زئون و FPGA یکپارچه معرفی کردن کرد
دو سال پیش، کار تحقیقاتی پژوهشگران دانشگاه MITنشان داد شبکه های عصبی نوری (ONN) می توانند داخل عملیات های با قابلیت ضعیف و سرعت کمینه کاربردی باشند. این امکان به دلیل وجود نوعی مدار فوتونی به صیت تداخل سنج ماخ زندر (MZI) است. پیکره بندی تداخل سنج ماخ زندر بوسیله صورت حاصل ضرب ماتریس ۲ داخل ۲ ادا می درنگ. این تداخل سنج می تواند برای تعیین نسبت تضاد فاز بین دو موج برهم راستا مربوط به عین نوری همدوس کاربرد داشته باشد. درون این روش، از ضرب کردن فازهای دو پرتوی نور به رخساره ماتریس ۲ درون ۲ استفاده می شود و با قرارگرفتن MZIها تو حالت آرایه ی سه گوش شکل، ماتریس های ارشد تازگی ایجاد می شوند که هسته ی پا بر جا محاسبات مربوط به تحصیل ژرف هستند.
کازیمیر ویرزینسکی، مدیر بزرگ دفتر CTO در قسمت قسمت کردن فهم مصنوعی اینتل گفت:هر فرایند توسعه و تولید می تواند نقایصی داشته باشد و فناوری متاخر به دور از نقص نیست؛ اما باید داخل نظر داشته باشیم تغییرات کوچک در داخل خراش ها می تواند پیاده شدن دقت محاسبات تأثیر بسزایی بگذارد. به منظور عملیاتی ترکردن شبکه های تندخو نوری (ONN) در تولید، باید بدانیم چقدر به تغییرات معمول در فرایند حساس هستند؛ به ویژه زمانی که در مدل های واقع بینانه و ارشد تری در نظر اندوهناک می شوند. همچنین، تقلا می کنیم بفهمیم چگونه می قابلیت این تغییرات را باتوجه به معماری مدارهای مختلف قدرتمندتر کرد.
تو مقاله ی متاخر اینتل، دو نوع شبکه ی تندخو نوری جماز دربرابر جرم معاینه شده است. یکی از شبکه های خشمناک نوری طراحی قابل انتظام تازگی (GridNet) دارد؛ داخل حالی که دیگری با تاب خطای بهتری (FFTNet) ساخته شده است. معماریGridNet با این پیش فرض حکم می یواش که MZI ها در یک شبکه هستند؛ داخل حالی که FFTNet الگویی پروانه ای دارد که معماری آن ها برای محاسبات تبدیل سریع العمل موقت (Fast Fourier Transforms) طراحی و میزان سازی شده است. مقاله های مرتبط:پیشرفت اینتل در توسعه خراش های نوری کاربردی درون فهم مصنوعیاینتل از تراش پردازنده Lakefield با فناوری تجمیع سه گانه بعدی Foveros رونمایی کرد
هر دو میزان شبکه ی تندخو نوری بخاطر امتیاز مشت خط آموزش دیده اند. GridNet از میزان دقت ۹۵ تا ۹۸ درصدی درمقایسه با FFTNet برخوردار است. باوجوداین، FFTNet بوسیله طورخاص برای استفهام به اشتباه ها و خطاهای تولید عملکرد قدرتمندتری داشت و با اضافه نویز و احاله فاز بوسیله هر MZI قرین سازی شده است. FFTNet بوسیله قیافه درخورتوجهی از GridNet عملکرد پایدارتری داشت و دراصل، کارایی اش با درنظرگرفتن نویز قلابی به ناچیز از ۵۰ درصد افت می کرد؛ درحالی که کارایی FFTNet در همان شرایط ثابت باقی می ماند.
نمونه کارهای اولیه و شبیه سازی شده مدال می دهند شبکه های تندخو نوری می توانند جایگزین معتبری برای طرح های مبتنی به خشکی امدن تراش های سیلیکونی باشند. ویرزینسکی افزودن کرد:مدارهای مبصر نم به دستگاه های بیشتری در مدت MZI ها تو هر تراش نیازمندند؛ بنابراین، تلاش برای چسبیدگی به توان انتظام کنجکاو (Fine Tune) درون هر دستگاه درون تراشه ای پس از تولید، مشکلی روبه رشد است. راه مقیاس پذیرتر برای آموزش ONNها تو هوا کند افزار، مدارهای تولیدانبوه براساس این پارامترها خواهد بود. نتایج مدال می دهد انتخاب معماری مناسب می تواند احتمال دستیابی به مدارهایی با عملکرد مطلوب را افزایش خواهند داد؛ حتی چنانچه با تغییرات تو تولید مواجه شویم.
قابلیت خلق کردن ONNهای مؤثر در مواجهه با تغییرات تولیدی، یعنی بهتر است در وقت فرایند یادگیری ساخت این نمونه شبکه ی عصبی، بهترین سازی روش ساخت آن ها را فرابگیریم. این قابلیت می تواند درصورت انبوه سازی و رقابت پذیری با معماری تراشه های سیلیکونی معمولی، به تجاری سازی این تراش ها کمک کند.
بیشتر بخوانید:مقایسه پردازنده های گرافیکی اینتل آیس لیک Gen 11 درون حالت ۱۵ و ۲۵ واتآینده کامپیوترهای شخصی و لپ تاپ ها از نگاه اینتل داخل کامپیوتکس ۲۰۱۹طرح های مفهومی کارت های گرافیک سال ۲۰۳۵ سری Xe اینتل منتشر شدنسل دوم حافظه های Optane اینتل با بهبود عملکرد و تعداد لین PCIe بیشتر معرفی کردن شدAMD برتری دوبرابری عملکرد EPYC ROME را دربرابر Cascade Lake اینتل به عرضه گذاشت
دو سال پیش، کار تحقیقاتی پژوهشگران دانشگاه MITنشان داد شبکه های عصبی نوری (ONN) می توانند داخل عملیات های با قابلیت ضعیف و سرعت کمینه کاربردی باشند. این امکان به دلیل وجود نوعی مدار فوتونی به صیت تداخل سنج ماخ زندر (MZI) است. پیکره بندی تداخل سنج ماخ زندر بوسیله صورت حاصل ضرب ماتریس ۲ داخل ۲ ادا می درنگ. این تداخل سنج می تواند برای تعیین نسبت تضاد فاز بین دو موج برهم راستا مربوط به عین نوری همدوس کاربرد داشته باشد. درون این روش، از ضرب کردن فازهای دو پرتوی نور به رخساره ماتریس ۲ درون ۲ استفاده می شود و با قرارگرفتن MZIها تو حالت آرایه ی سه گوش شکل، ماتریس های ارشد تازگی ایجاد می شوند که هسته ی پا بر جا محاسبات مربوط به تحصیل ژرف هستند.
کازیمیر ویرزینسکی، مدیر بزرگ دفتر CTO در قسمت قسمت کردن فهم مصنوعی اینتل گفت:هر فرایند توسعه و تولید می تواند نقایصی داشته باشد و فناوری متاخر به دور از نقص نیست؛ اما باید داخل نظر داشته باشیم تغییرات کوچک در داخل خراش ها می تواند پیاده شدن دقت محاسبات تأثیر بسزایی بگذارد. به منظور عملیاتی ترکردن شبکه های تندخو نوری (ONN) در تولید، باید بدانیم چقدر به تغییرات معمول در فرایند حساس هستند؛ به ویژه زمانی که در مدل های واقع بینانه و ارشد تری در نظر اندوهناک می شوند. همچنین، تقلا می کنیم بفهمیم چگونه می قابلیت این تغییرات را باتوجه به معماری مدارهای مختلف قدرتمندتر کرد.
تو مقاله ی متاخر اینتل، دو نوع شبکه ی تندخو نوری جماز دربرابر جرم معاینه شده است. یکی از شبکه های خشمناک نوری طراحی قابل انتظام تازگی (GridNet) دارد؛ داخل حالی که دیگری با تاب خطای بهتری (FFTNet) ساخته شده است. معماریGridNet با این پیش فرض حکم می یواش که MZI ها در یک شبکه هستند؛ داخل حالی که FFTNet الگویی پروانه ای دارد که معماری آن ها برای محاسبات تبدیل سریع العمل موقت (Fast Fourier Transforms) طراحی و میزان سازی شده است. مقاله های مرتبط:پیشرفت اینتل در توسعه خراش های نوری کاربردی درون فهم مصنوعیاینتل از تراش پردازنده Lakefield با فناوری تجمیع سه گانه بعدی Foveros رونمایی کرد
هر دو میزان شبکه ی تندخو نوری بخاطر امتیاز مشت خط آموزش دیده اند. GridNet از میزان دقت ۹۵ تا ۹۸ درصدی درمقایسه با FFTNet برخوردار است. باوجوداین، FFTNet بوسیله طورخاص برای استفهام به اشتباه ها و خطاهای تولید عملکرد قدرتمندتری داشت و با اضافه نویز و احاله فاز بوسیله هر MZI قرین سازی شده است. FFTNet بوسیله قیافه درخورتوجهی از GridNet عملکرد پایدارتری داشت و دراصل، کارایی اش با درنظرگرفتن نویز قلابی به ناچیز از ۵۰ درصد افت می کرد؛ درحالی که کارایی FFTNet در همان شرایط ثابت باقی می ماند.
نمونه کارهای اولیه و شبیه سازی شده مدال می دهند شبکه های تندخو نوری می توانند جایگزین معتبری برای طرح های مبتنی به خشکی امدن تراش های سیلیکونی باشند. ویرزینسکی افزودن کرد:مدارهای مبصر نم به دستگاه های بیشتری در مدت MZI ها تو هر تراش نیازمندند؛ بنابراین، تلاش برای چسبیدگی به توان انتظام کنجکاو (Fine Tune) درون هر دستگاه درون تراشه ای پس از تولید، مشکلی روبه رشد است. راه مقیاس پذیرتر برای آموزش ONNها تو هوا کند افزار، مدارهای تولیدانبوه براساس این پارامترها خواهد بود. نتایج مدال می دهد انتخاب معماری مناسب می تواند احتمال دستیابی به مدارهایی با عملکرد مطلوب را افزایش خواهند داد؛ حتی چنانچه با تغییرات تو تولید مواجه شویم.
قابلیت خلق کردن ONNهای مؤثر در مواجهه با تغییرات تولیدی، یعنی بهتر است در وقت فرایند یادگیری ساخت این نمونه شبکه ی عصبی، بهترین سازی روش ساخت آن ها را فرابگیریم. این قابلیت می تواند درصورت انبوه سازی و رقابت پذیری با معماری تراشه های سیلیکونی معمولی، به تجاری سازی این تراش ها کمک کند.
بیشتر بخوانید:مقایسه پردازنده های گرافیکی اینتل آیس لیک Gen 11 درون حالت ۱۵ و ۲۵ واتآینده کامپیوترهای شخصی و لپ تاپ ها از نگاه اینتل داخل کامپیوتکس ۲۰۱۹طرح های مفهومی کارت های گرافیک سال ۲۰۳۵ سری Xe اینتل منتشر شدنسل دوم حافظه های Optane اینتل با بهبود عملکرد و تعداد لین PCIe بیشتر معرفی کردن شدAMD برتری دوبرابری عملکرد EPYC ROME را دربرابر Cascade Lake اینتل به عرضه گذاشت