По заказу военных США инженеры и программисты намерены воспроизвести в электронике зрительную систему мозга, чтобы создать новые инструменты искусственного интеллекта для управления автономными системами. Цифровые платформы и нейронные сети показали низкую энергоэффективность в сфере автопилотирования, поэтому для решения подобных задач учёные планируют разработать аналоговую электронику и новые инструменты программирования.

Источник изображения: ИИ-генерация Grok 3/3DNews

Контракт на разработку получил Рочестерский университет (University of Rochester). Соглашение заключено с Агентством перспективных оборонных исследовательских проектов (DARPA) на сумму $7,2 млн, которая будет выплачиваться в течение последующих 4,5 лет. В рамках проекта исследователи должны создать новую элементную базу и программное обеспечение для реализации так называемого предиктивного кодирования — подхода, основанного на биологических принципах работы человеческого мозга.

Сети предиктивного кодирования (predictive coding networks) — это модели в области машинного обучения и нейронаук, основанные на концепции предсказания данных. Согласно этой теории, мозг (или модель) постоянно формирует прогнозы относительно входящих сенсорных сигналов и минимизирует ошибку предсказания, сравнивая ожидаемую и фактическую информацию. В контексте искусственных нейронных сетей такие модели часто используются в задачах компьютерного зрения и обработки естественного языка.

Контракт предполагает достижение результата, при котором аналоговая система будет способна распознавать статические цифровые изображения. Если исследователям удастся добиться производительности, сопоставимой с существующими цифровыми решениями, то разработка сможет применяться в более сложных задачах, связанных с восприятием — в частности, в беспилотных автомобилях и автономных дронах.

«Исследования нейробиологов показали, что механизм обратного распространения ошибки, лежащий в основе современных нейронных сетей, биологически неправдоподобен – системы восприятия нашего мозга работают иначе, — пояснил Майкл Хуанг (Michael Huang), профессор Рочестерского университета. — Чтобы решить эту проблему, мы задались вопросом: как это делает мозг? Преобладающей теорией стало предиктивное кодирование, предполагающее иерархический процесс прогнозирования и корректировки. Представьте, что вы перефразируете услышанное, сообщаете это говорящему и используете его ответ как обратную связь для уточнения своего понимания».

Важно подчеркнуть, что, несмотря на новизну подхода, система будет базироваться на проверенных временем технологиях производства полупроводников. В частности, планируется использовать существующие техпроцессы, такие как комплементарная металл-оксид-полупроводниковая структура (КМОП).

Группа учёных с факультета инженерии и прикладных наук Пенсильванского университета разработала новый чип, который для выполнения сложных математических операций использует не электричество, а световые волны. Кремниево-фотонный чип можно выпускать на современном оборудовании и использовать его, например, в качестве сопроцессора для GPU в задачах, связанных с машинным обучением.

Источник изображения: ИИ-генерация Кандинский 3.0/3DNews

Учёные создали и испытали чип на операциях векторно-матричного умножения для матриц 2 × 2 и 3 × 3. Также была показана возможность работы матрицы 10 × 10. Эти примеры продемонстрировали, что предложенные методы обладают потенциалом для создания крупномасштабных аналоговых вычислительных платформ на основе световых волн, о чём учёные рассказали в статье в журнале Nature Photonics.

В основе работы лежит доказательство концепции изготовления волноводов и аморфных линз непосредственно на кремниевой пластине с помощью стандартных техпроцессов травления и обработки пластин. Традиционные методы изготовления метаструктур страдают такими ограничениями, как узкая полоса пропускания и высокая чувствительность к ошибкам изготовления. В частности, это ограничивает масштабирование подобных архитектур.

Вместо того чтобы использовать кремниевую пластину одинаковой высоты, объясняют разработчики, «вы делаете кремний тоньше, скажем, на 150 нанометров», но только в определенных областях. Эти изменения высоты без добавления каких-либо других материалов обеспечивают средство контроля над распространением света через чип, поскольку изменения высоты могут быть распределены таким образом, чтобы свет рассеивался определенным образом, позволяя чипу выполнять математические вычисления со скоростью света.

Проще говоря, в кремнии протравливаются волноводы и создаётся система линзирования, которые обеспечат прохождение светового сигнала по лабиринту волноводов с жёстко заданным алгоритмом и в зависимости от сигналов на входе получится определённый результат. Таким сопроцессором можно дооснастить обычный графический процессор, чтобы разгрузить его от энергозатратных операций векторно-матричного умножения и, таким образом, ускорить вычисления для задач искусственного интеллекта и машинного обучения.