بزرگنمايي:

سیاست و بازاریابی - آخرین اخبار از پیشرفت‌ های اینتل برای توسعه ‌ ی تراشه ‌ های نوری حکایت می ‌‌ کند که به سرعت‌بخشیدن فرایندهای مبتنی‌بر هوش مصنوعی منجر می ‌ شود .  

مدارهای مجتمع فوتونی (تراشه‌ های نوری) مزایای متعددی برای شرکت ‌ های الکترونیکی خواهند داشت. تراشه ‌ های نوری ضمن کاهش مصرف انرژی، به افزایش سرعت پردازش منجر می ‌ شوند؛ به ‌ همین‌دلیل محققان معتقدند تراشه ‌ های نوری می ‌ توانند برای فرایندهای مبتنی‌بر هوش مصنوعی مناسب باشند . ییچن شن ، از محققان MIT، برای تجاری ‌ سازی تراشه ‌ های نوری تلاش می ‌ کند. استارتاپ بوستونی Lightelligence موفق شده سرمایه ‌ ی 10.7 میلیون دلاری جذب کند و اخیرا نمونه ‌ ی اولیه‌ی این تراشه ‌ها ی نوری را با بهبود 10 هزار برابری در زمان تأخیر و نیز مصرف انرژی کمتر درمقایسه‌با سخت‌افزار سنّتی توسعه دهد .
مقاله‌های مرتبط:
اینتل از تراشه پردازنده Lakefield با فناوری تجمیع سه‌بعدی Foveros رونمایی کرد اینتل در فصل دوم 2019 پروژه‌‌‌های توسعه تراشه مودم 5G را استارت می‌زند
اینتل ، یکی دیگر از شرکت‌ های تولیدکنند ‌ ه ‌ ی تراشه، پیشرفت ‌ های درخورتوجهی درزمینه ‌ ی توسعه ‌ ی تراشه ‌ های فوتونی سیلیکونی کرده که باعث سرعت ‌ بخشیدن به فرایندهای سیستم ‌ های مبتنی‌بر هوش مصنوعی می ‌ شود. محققان این شرکت در سانتاکلارا، اخیرا در مقاله ‌ ای اطلاعات مربوط‌به فناوری توسعه ‌ یافته ‌ ی خود را منتشر کرده ‌ اند که می ‌ تواند گامی روبه‌جلو برای واقعیت‌بخشیدن به شبکه ‌ های عصبی نوری باشد . اطلاعات منتشرشده در پست وبلاگ نشان می‌ دهد پیش‌تر از نوعی مدار فوتونی با تداخل سنج ماخ-زندر (MZI) استفاده می‌شد که این تداخل‌سنج می‌تواند برای تعیین نسبت اختلاف فاز بین دو موج‌بر هم‌راستا مربوط‌به منبع نوری همدوس کاربرد داشته باشد. در این روش، از ضرب‌کردن فازهای دو پرتوی نور به‌صورت ماتریس دو در دو استفاده می‌شود ( در ریاضیات، ماتریس آرایه‌ی مستطیلی‌شکل از اعداد یا نمادها یا عبارات مرتب در ردیف‌ها و ستون‌ها تعریف می‌شود). زمانی‌که ماتریس‌های کوچک در حالت آرایه‌ی مثلثی‌شکل قرار گیرند، ماتریس‌های بزرگ‌تری ایجاد می‌کنند که هسته‌ی اصلی محاسبات مربوط‌به یادگیری عمیق محسوب می‌شوند . مهندسان اینتل از دو معماری GridNet و FFTNet برای توسعه‌ی سیستم مبتنی‌بر هوش مصنوعی ازطریق MZI‌ ها استفاده کردند. معماری GridNet با این پیش‌فرض کار می‌کند که MZI‌ها در یک شبکه هستند؛ در‌حالی‌که FFTNet الگوی شبیه پروانه دارد. محققان پس از آموزش هر دو معماری برمبنای بنچمارک یادگیری عمیق، دریافتند GridNet با 98 درصد درمقایسه‌با FFTNet با 95 درصد، دقت بیشتری نشان می‌دهد. باوجوداین، نتایج بررسی نشان می‌داد FFTNet به‌صورت درخورتوجهی از GridNet عملکرد پایدارتری دارد. دراصل، کارایی GridNet با درنظرگرفتن نویز مصنوعی به کمتر از 50 درصد افت می‌کرد؛ درحالی‌که کارایی FFTNet در همان شرایط ثابت باقی می‌ماند. دانشمندان معتقدند چنین تحقیقاتی می‌تواند زمینه‌ساز توسعه‌ی فناوری‌هایی مبتنی‌بر هوش مصنوعی شود. تراشه‌های نوری می‌توانند هم مدت آموزش به سیستم‌های مبتنی‌بر هوش مصنوعی را کاهش دهند و هم حجم کار آموزش سیستم‌ها را کاهش دهند. کازیمیر ویرزینسکی ، مدیر ارشد گروه هوش مصنوعی اینتل، معتقد است: هر فرایند توسعه و تولید می‌تواند نقایصی داشته باشد و فناوری جدید نیز عاری از نقص نیست؛ اما باید در نظر داشته باشیم تغییرات کوچک در داخل تراشه‌ها می‌تواند بر دقت محاسبات تأثیر بسزایی بگذارد. اگر قرار باشد شبکه‌های عصبی نوری به قطعه‌ای حیاتی در اکوسیستم سخت‌افزاری مبتنی‌بر هوش مصنوعی تبدیل شوند، در مدارهای بزرگ‌تر و فناوری‌های صنعتی تولید باید به‌کار گرفته شوند. نتایج نشان می‌دهد انتخاب معماری مناسب در پیشبرد این اهداف نقش مهمی ایفا می‌کند و باعث می‌شود فرایند تولید با تغییرات چشمگیری رو‌به‌رو شود.