„To, co zde máme, je něco neuvěřitelně jednoduchého,“ řekl Tianwei Wu, hlavní autor studie. „Můžeme to přeprogramovat a měnit laserové vzory za běhu.“ Vědci použili systém k návrhu neuronové sítě, která úspěšně rozlišovala samohlásky. Většina fotonických systémů musí být trénována před tím, než jsou postaveny, protože trénování nutně zahrnuje překonfigurování spojení. Ale protože tento systém lze snadno překonfigurovat, výzkumníci model trénovali poté, co byl nainstalován na polovodič. Nyní plánují zvětšit velikost čipu a zakódovat více informací v různých barvách světla, což by mělo zvýšit objem dat, které zvládne.
Je to pokrok, který dokonce Psaltis, který v 90. letech vybudoval systém rozpoznávání obličejů, považuje za působivý. „Naše nejdivočejší sny před 40 lety byly velmi skromné ve srovnání s tím, co se skutečně stalo.“
První paprsky světla
Přestože optické výpočty za posledních několik let rychle pokročily, stále jsou daleko od toho, aby vytlačily elektronické čipy, které provozují neuronové sítě mimo laboratoře. Dokumenty oznamují fotonické systémy, které fungují lépe než elektronické, ale obecně provozují malé modely využívající staré návrhy sítí a malé pracovní zatížení. A mnoho z uváděných údajů o fotonické nadřazenosti nevypráví celý příběh, řekl Bhavin Shastri z Queen’s University v Ontariu. „Je velmi těžké porovnávat jablka s jablky s elektronikou,“ řekl. „Například, když používají lasery, ve skutečnosti nemluví o energii k napájení laserů.“
Laboratorní systémy musí být rozšířeny, než budou moci ukázat konkurenční výhody. „Jak velký to musíš udělat, abys vyhrál?“ zeptal se McMahon. Odpověď: výjimečně velký. To je důvod, proč se nikdo nemůže rovnat čipu vyrobeném společností Nvidia, jejíž čipy pohánějí mnoho z nejpokročilejších systémů umělé inteligence současnosti. Na cestě je obrovský seznam inženýrských hádanek, které je třeba vyřešit – problémy, které elektronická strana vyřešila po desetiletí. „Elektronika začíná s velkou výhodou,“ řekl McMahon.
Někteří výzkumníci se domnívají, že systémy umělé inteligence založené na ONN nejprve najdou úspěch ve specializovaných aplikacích, kde poskytují jedinečné výhody. Shastri řekl, že jedno slibné použití je v boji proti rušení mezi různými bezdrátovými přenosy, jako jsou 5G mobilní věže a radarové výškoměry, které pomáhají letadlům navigovat. Začátkem tohoto roku Shastri a několik kolegů vytvořilo ONN, které dokáže třídit různé přenosy a vybírat signál, který nás zajímá, v reálném čase a se zpožděním zpracování menším než 15 pikosekund (15 biliontin sekundy) – méně než jedna tisícina čas, který by elektronický systém zabral, při použití méně než 1/70 energie.
Ale McMahon řekl, že velká vize – optická neuronová síť, která může překonat elektronické systémy pro všeobecné použití – stojí za to sledovat. V loňském roce jeho skupina provedla simulace, které ukázaly, že během deseti let by dostatečně velký optický systém mohl některé modely umělé inteligence učinit více než 1000krát účinnějšími než budoucí elektronické systémy. „Spousta společností se nyní usilovně snaží získat 1,5násobek výhody. Tisícnásobný přínos, to by bylo úžasné,“ řekl. „Je to možná 10letý projekt – pokud uspěje.“
Originální příběh přetištěno se svolením od časopis Quanta, redakčně nezávislá publikace Simonsova nadace jehož posláním je zlepšit veřejné chápání vědy tím, že pokryje vývoj výzkumu a trendy v matematice a fyzikálních vědách a vědách o živé přírodě.
Čerpáme z těchto zdrojů: google.com, science.org, newatlas.com, wired.com, pixabay.com
