فعالیت تمام شرکتهای فعال درزمینهی شبکههای عصبی تابهحال براساس تراشههای سیلیکونی بوده است. پردازندهها (CPU)، پردازندههای گرافیکی (GPU)، تراشههای پردازش شبکههای عصبی (TPU) - تعمیرات سولاردام بلک اند دکر میدان امام حسین - و مدارهای مجتمع برنامهریزیشدنی (FPGA) همهی اینها ممکن است ویژگیهای عملکردی متفاوتی داشته باشند؛ - تعمیرات سولاردام بلک اند دکر میدان امام حسین - اما از مادهای واحد ساخته شدهاند. اینتل مشغول ساخت شبکههای هوش مصنوعی با استفاده از دانش فوتونیک سیلیکونی است؛ دانشی که درزمینهی مطالعات تحقیقاتی و کاربرد انواعی از سیستمهای فوتونی فعالیت و از سیلیکون بهعنوان بستر نوری استفاده میکند.
دو سال پیش، کار تحقیقاتی پژوهشگران دانشگاه MIT نشان داد - تعمیرات سولاردام بلک اند دکر میدان امام حسین - شبکههای عصبی نوری (ONN) میتوانند در عملیاتهای با توان ضعیف و سرعت کم کاربردی باشند. این امکان بهدلیل وجود نوعی مدار فوتونی بهنام تداخلسنج ماخزندر (MZI) است. پیکرهبندی تداخلسنج ماخزندر بهصورت حاصلضرب ماتریس ۲ در ۲ عمل میکند. این تداخلسنج میتواند برای تعیین نسبت اختلاف فاز بین دو موج برهمراستا مربوط به منبع نوری همدوس کاربرد داشته - تعمیرات سولاردام بلک اند دکر میدان امام حسین - باشد. در این روش، از ضربکردن فازهای دو پرتوی نور بهصورت ماتریس ۲ در ۲ استفاده میشود و با قرارگرفتن MZIها در حالت آرایهی مثلثیشکل، ماتریسهای بزرگتری ایجاد میشوند که هستهی اصلی محاسبات مربوط به یادگیری عمیق هستند.
کازیمیر ویرزینسکی، مدیر ارشد دفتر CTO در گروه هوش مصنوعی اینتل گفت:
تعمیرات سولاردام بلک اند دکر میدان امام حسین در کمترین زمان
هر فرایند توسعه و تولید میتواند نقایصی داشته باشد و فناوری جدید به دور از نقص نیست؛ اما باید در نظر داشته باشیم تغییرات کوچک در داخل تراشهها میتواند بر دقت محاسبات تأثیر بسزایی بگذارد. بهمنظور عملیاتیترکردن شبکههای عصبی نوری (ONN) در تولید، باید بدانیم - تعمیرات سولاردام بلک اند دکر میدان امام حسین - چقدر به تغییرات معمول در - تعمیرات سولاردام بلک اند دکر میدان امام حسین - فرایند حساس هستند؛ بهویژه زمانیکه در مقیاسهای واقعبینانه و بزرگتری در نظر گرفته میشوند. همچنین، تلاش میکنیم بفهمیم - تعمیرات سولاردام بلک اند دکر میدان امام حسین - چگونه میتوان این تغییرات - تعمیرات سولاردام بلک اند دکر میدان امام حسین - را باتوجهبه معماری مدارهای مختلف قدرتمندتر کرد.
در مقالهی جدید اینتل، دو نوع شبکهی عصبی نوری مقاوم دربرابر خطا بررسی شده است. یکی از شبکههای عصبی نوری طراحی قابلتنظیمتری (GridNet) دارد؛ درحالیکه دیگری با تحمل خطای بهتری (FFTNet) ساخته شده است. معماری GridNet با این پیشفرض کار میکند که MZIها در یک شبکه هستند؛ درحالیکه FFTNet الگویی - تعمیرات سولاردام بلک اند دکر میدان امام حسین - پروانهای دارد که معماری آنها برای محاسبات تبدیل سریع فوری (Fast Fourier Transforms) طراحی و مدلسازی شده است.
هر دو مدل شبکهی عصبی نوری - تعمیرات سولاردام بلک اند دکر میدان امام حسین - برای تشخیص دستخط آموزش دیدهاند. GridNet از میزان دقت ۹۵ تا ۹۸ درصدی درمقایسهبا FFTNet برخوردار است. باوجوداین، FFTNet بهطورخاص برای رسیدگی به اشتباهها و خطاهای تولید عملکرد قدرتمندتری داشت و با افزودن نویز - تعمیرات سولاردام بلک اند دکر میدان امام حسین - و انتقال فاز به هر MZI شبیهسازی شده است. FFTNet بهصورت درخورتوجهی از GridNet عملکرد پایدارتری داشت و دراصل، کاراییاش با درنظرگرفتن نویز مصنوعی به کمتر از ۵۰ درصد افت میکرد؛ درحالیکه کارایی FFTNet در همان شرایط ثابت - تعمیرات سولاردام بلک اند دکر میدان امام حسین - باقی میماند.
نمونهکارهای اولیه و شبیهسازیشده نشان میدهند شبکههای عصبی نوری میتوانند جایگزین معتبری برای طرحهای مبتنیبر تراشههای سیلیکونی باشند. ویرزینسکی - تعمیرات سولاردام بلک اند دکر میدان امام حسین - اضافه کرد:
برای مشاوره تعمیرات سولاردام بلک اند دکر میدان امام حسین اینجا کلیک کنید
مدارهای بزرگتر به دستگاههای بیشتری چون MZIها در هر تراشه نیازمندند؛ بنابراین، تلاش برای رسیدن به قابلیت تنظیم دقیق (Fine Tune) در هر دستگاه در تراشهای پس از تولید، مشکلی - تعمیرات سولاردام بلک اند دکر میدان امام حسین - روبهرشد است. روش مقیاسپذیرتر برای آموزش ONNها در محیط نرمافزار، مدارهای تولیدانبوه براساس این پارامترها خواهد بود. نتایج نشان میدهد انتخاب معماری مناسب میتواند احتمال دستیابی به مدارهایی با عملکرد مطلوب را افزایش خواهند داد؛ حتی اگر با تغییرات در تولید مواجه شویم.
قابلیت ایجاد ONNهای مؤثر در مواجهه با تغییرات تولیدی، یعنی بهتر است در حین فرایند یادگیری ساخت این مدل شبکهی عصبی، بهینهسازی - تعمیرات سولاردام بلک اند دکر میدان امام حسین - روش ساخت آنها را فرابگیریم. این قابلیت میتواند درصورت انبوهسازی و رقابتپذیری با معماری تراشههای سیلیکونی معمولی، به تجاریسازی این تراشهها کمک کند.