admin 
„Tai, ką mes čia turime, yra kažkas neįtikėtinai paprasto“, – sakė Tianwei Wu, tyrimo pagrindinis autorius. „Galime jį perprogramuoti, pakeisdami lazerio modelius. Tyrėjai naudojo sistemą kurdami neuroninį tinklą, kuris sėkmingai atskirdavo balsių garsus. Daugumą fotoninių sistemų reikia apmokyti prieš jas statant, nes mokymas būtinai apima ryšių perkonfigūravimą. Tačiau kadangi ši sistema yra lengvai perkonfigūruojama, mokslininkai apmokė modelį po to, kai jis buvo sumontuotas ant puslaidininkio. Dabar jie planuoja padidinti lusto dydį ir užkoduoti daugiau informacijos skirtingomis šviesos spalvomis, o tai turėtų padidinti duomenų, kuriuos jis gali apdoroti, kiekį.
Tai pažanga, kurią net Psaltis, devintajame dešimtmetyje sukūręs veido atpažinimo sistemą, atrodo įspūdingas. „Mūsų drąsiausios svajonės prieš 40 metų buvo labai kuklios, palyginti su tuo, kas iš tikrųjų išsipildė.
Pirmieji šviesos spinduliai
Nors optinis skaičiavimas per pastaruosius kelerius metus sparčiai tobulėjo, jis vis dar toli gražu nepakeičia elektroninių lustų, valdančių neuroninius tinklus už laboratorijų ribų. Straipsniai skelbia fotonines sistemas, kurios veikia geriau nei elektroninės, tačiau paprastai jose veikia nedideli modeliai, naudojant senus tinklo dizainus ir mažus darbo krūvius. Ir daugelis pateiktų skaičių apie fotoninę viršenybę nepasako visos istorijos, sakė Bhavinas Shastri iš Karalienės universiteto Ontarijo valstijoje. „Labai sunku palyginti obuolius su obuoliais su elektronika“, – sakė jis. „Pavyzdžiui, kai jie naudoja lazerius, jie iš tikrųjų nekalba apie energiją lazeriams maitinti.”
Laboratorijos sistemos turi būti išplėstos, kad jos galėtų parodyti konkurencinį pranašumą. „Kokio dydžio turi būti, kad laimėtum? – paklausė Makmahonas. Atsakymas: išskirtinai didelis. Štai kodėl niekas negali prilygti „Nvidia“ pagamintam lustui, kurio lustai šiandien maitina daugelį pažangiausių AI sistemų. Yra didžiulis inžinerinių galvosūkių sąrašas, kurį reikia išsiaiškinti – problemas, kurias elektronikos pusė išsprendė per dešimtmečius. „Elektronika prasideda su dideliu pranašumu“, – sakė McMahonas.
Kai kurie tyrinėtojai mano, kad ONN pagrįstos AI sistemos pirmiausia pasisektų specializuotose programose, kur jos suteiks unikalių pranašumų. Shastri teigė, kad vienas daug žadantis panaudojimas yra kovoti su trukdžiais tarp skirtingų belaidžių perdavimų, tokių kaip 5G korinio ryšio bokštai ir radarų aukščiamačiai, padedantys lėktuvams naviguoti. Šių metų pradžioje Šastri ir keli kolegos sukūrė ONN kuri gali rūšiuoti skirtingus perdavimus ir atrinkti dominantį signalą realiuoju laiku, o apdorojimo delsa yra mažesnė nei 15 pikosekundžių (15 trilijonų sekundės) – mažiau nei tūkstantąją laiko, kurio prireiktų elektroninei sistemai, o naudojant mažiau nei 1/70 galios.
Tačiau McMahonas teigė, kad verta siekti didžiosios vizijos – optinio neuroninio tinklo, galinčio pranokti bendram naudojimui skirtas elektronines sistemas. Pernai jo grupė vykdė simuliacijas Tai rodo, kad per dešimtmetį pakankamai didelė optinė sistema kai kuriuos AI modelius galėtų padaryti daugiau nei 1000 kartų efektyvesnius nei būsimos elektroninės sistemos. „Daugelis įmonių dabar labai stengiasi gauti 1,5 karto didesnę naudą. Tūkstantį kartų nauda, tai būtų nuostabu“, – sakė jis. „Tai galbūt 10 metų projektas, jei jis pasiseks“.
Originali istorija perspausdinta su leidimu iš Žurnalas Quanta, redakciniu požiūriu nepriklausomas leidinys Simonso fondas kurios misija yra didinti visuomenės supratimą apie mokslą, įtraukiant matematikos ir fizinių bei gyvosios gamtos mokslų tyrimų raidą ir tendencijas.
