Согласно недавнему отчету McKinsey, приложения для машинного обучения взлетели до 165 миллиардов долларов в год. Но прежде чем машина сможет выполнять интеллектуальные задачи, такие как распознавание деталей изображения, она должна быть обучена. Обучение современным системам искусственного интеллекта (ИИ), таким как автопилот Tesla, обходится в несколько миллионов долларов потребления электроэнергии и требует инфраструктуры, подобной суперкомпьютеру. Этот растущий "аппетит" к ИИ оставляет постоянно увеличивающийся разрыв между компьютерным оборудованием и спросом на ИИ. Фотонные интегральные схемы, или просто оптические чипы, появились в качестве возможного решения для обеспечения более высокой вычислительной производительности, измеряемой количеством операций, выполняемых в секунду на используемый ватт, или TOPS / W. Однако, несмотря на то, что они продемонстрировали улучшенные основные операции в машинном интеллекте, используемые для классификации данных, фотонным чипам еще предстоит улучшить фактический интерфейс обучения и процесс машинного обучения.

Машинное обучение - это двухэтапная процедура. Сначала данные используются для обучения системы, а затем другие данные используются для тестирования производительности системы искусственного интеллекта. В новой статье группа исследователей из Университета Джорджа Вашингтона, Университета Квинса, Университета Британской Колумбии и Принстонского университета решила сделать именно это. После одного этапа обучения команда обнаружила ошибку и перенастроила аппаратное обеспечение для второго цикла обучения, за которым последовали дополнительные циклы обучения, пока не была достигнута достаточная производительность ИИ (например, система способна правильно маркировать объекты, появляющиеся в фильме). До сих пор фотонные чипы только демонстрировали способность классифицировать и извлекать информацию из данных. Теперь исследователи сделали возможным ускорить сам этап обучения.

Эта дополнительная возможность искусственного интеллекта является частью более масштабных усилий, направленных на создание фотонных тензорных ядер и других электронно-фотонных интегральных схем (ASIC), которые используют производство фотонных чипов для машинного обучения и приложений искусственного интеллекта.

"Это новое оборудование ускорит обучение систем машинного обучения и использует лучшее из того, что могут предложить как фотоника, так и электронные чипы. Это серьезный шаг вперед в области аппаратного ускорения искусственного интеллекта. Это те виды достижений, которые нам нужны в полупроводниковой промышленности, как подчеркивается в недавно принятом Законе о чипах ".

- Фолькер Зоргер, профессор электротехники и вычислительной техники в Университете Джорджа Вашингтона и основатель начинающей компании Optelligence.

"Обучение системам искусственного интеллекта требует значительных затрат энергии и выбросов углекислого газа. Например, один трансформатор искусственного интеллекта потребляет примерно в пять раз больше CO₂ в электричестве столько же бензина, сколько автомобиль расходует за свой срок службы. Наше обучение работе с фотонными чипами поможет сократить эти накладные расходы".

- Бхавин Шастри, доцент физического факультета Квинского университета