சிறிய மைக்ரோரிங் வரிசையின் மூலம் அணி பெருக்கத்தை செயல்படுத்துதல்

ஒளியியல் கணக்கிடுதல் மின்சாரத்திற்குப் பதிலாக ஒளியைப் பயன்படுத்தி கணக்கீடுகளைச் செய்கிறது. மின்சாரத்துடன் தொடர்புடைய உள்ளார்ந்த வரம்புகளைக் கடப்பதன் மூலம் வேகம் மற்றும் ஆற்றல் செயல்திறனை அதிகரிக்கிறது. ஒளியியல் கணக்கிடுதலின் அடிப்படைக் கொள்கை ஒளி-பொருள் தொடர்பு ஆகும். அணிக்கோவை கணக்கிடுதல் என்பது அறிவியல் மற்றும் பொறியியலில் மிகவும் பரவலாகப் பயன்படுத்தப்படும் மற்றும் இன்றியமையாத தகவல் செயலாக்கக் கருவிகளில் ஒன்றாக மாறியுள்ளது. இது டிஸ்க்ரீட் ஃபோரியர் ட்ரான்ஸ்ஃபார்ம்ஸ் மற்றும் கன்வல்யூஷன் செயல்பாடுகள் போன்ற பெரும்பாலான சைகை செயலாக்கத்திற்கு அதிக எண்ணிக்கையிலான கணக்கீட்டு பணிகளுக்கு பங்களிக்கிறது.

செயற்கை நரம்பியல் நெட்வொர்க்குகளில் (ANN- Artificial Neural Networks) பெரும்பாலான கணக்கீட்டு வளங்களை அணிக்கோவை பெருக்கல் ஆக்கிரமித்துள்ளது. எலக்ட்ரானிக் கூறுகளுடன் தொடர்புடைய பண்புகளின் காரணமாக, எளிய பெருக்கத்தைச் செயல்படுத்துவதற்கு அதிக எண்ணிக்கையிலான டிரான்சிஸ்டர்கள் ஒன்றாக வேலை செய்ய வேண்டும், அதேசமயம் அணிக்கோவை பெருக்கத்தை அடிப்படை ஃபோட்டானிக் கூறுகளான மைக்ரோரிங்ஸ், மாக்-ஜெஹண்டர் இன்டர்ஃபெரோமீட்டர்கள் (MZI) மற்றும் விளிம்பு விளைவு தளங்களைப் பயன்படுத்தி எளிதாக செயல்படுத்த முடியும். ஒளியியல் கணினிகள் பல அடுக்குகளின் வேகத்தில் இயங்குகின்றன மற்றும் அவற்றின் எலக்ட்ரானிக் சகாக்களை விட மிகக் குறைந்த ஆற்றலைப் பயன்படுத்துகின்றன. இருப்பினும், அணிக்கோவை-வெக்டர் பெருக்கல் செயல்பாட்டை செயல்படுத்துவதற்கான பாரம்பரிய முறை உண்மையான மதிப்புடைய மெட்ரிக்குகளில் கவனம் செலுத்துகிறது மற்றும் சிக்கலான மதிப்புள்ள நரம்பியல் வலையமைப்புகள் அல்லது தனித்த ஃபோரியர் மாற்றங்களுக்குப் பயன்படுத்தப்படும் போது சரியாக வேலை செய்யாது.

சீனாவின் Huazhong அறிவியல் மற்றும் தொழில்நுட்ப பல்கலைக்கழகத்தில் (HUST) பேராசிரியர். ஜியான்ஜி டோங் தலைமையிலான ஆராய்ச்சியாளர்கள், தன்னிச்சையான பெரிய அளவிலான மற்றும் சிக்கலான-மதிப்புள்ள அணிப் பெருக்கங்களை ஆதரிக்கக்கூடிய ஃபோட்டானிக் காம்ப்ளக்ஸ் அணிக்கோவை-வெக்டர் பெருக்கி சில்லை முன்மொழிந்துள்ளனர். சில்லு பாரம்பரிய அல்லாத ஒத்திசைவான ஒளியியல் கணக்கிடுதல் திட்டங்களின் தடையை உடைக்கிறது. இது செயற்கை நுண்ணறிவு பயன்பாடுகளை செயல்படுத்துகிறது.

மைக்ரோரிங் வரிசை கட்டமைப்பிற்கான மேட்ரிக்ஸ் சிதைவு மற்றும் மேட்ரிக்ஸ் பகிர்வு அறிவார்ந்த அல்காரிதம்களை வடிவமைத்து அணிக்கோவை பெருக்கங்களை நிஜத்திலிருந்து சிக்கலான டொமைனுக்கும் சிறிய அளவில் இருந்து பெரிய அளவிற்கும் விரிவுபடுத்துவதே அவர்களின் யோசனை. செயற்கை நுண்ணறிவு கணக்கீட்டில் பயன்பாடுகளுக்கான ஃபோட்டானிக் காம்ப்ளக்ஸ் அணிக்கோவை-வெக்டர் பல்படி சில்லின் திறனைக் காட்டி, பல வழக்கமான செயற்கை நுண்ணறிவு பயன்பாடுகளை சோதனை ரீதியாக நிரூபிப்பதில் ஆராய்ச்சியாளர்கள் வெற்றி பெற்றனர். “A small microring array that performs large complex-valued matrix-vector multiplication” என்ற தலைப்பில், Frontiers of Optoelectronics என்ற இதழில் ஏப்ரல் 28, 2022 அன்று வெளியிடப்பட்டது.

References:

• Cheng, J., Zhao, Y., Zhang, W., Zhou, H., Huang, D., Zhu, Q., & Zhang, X. (2022). A small microring array that performs large complex-valued matrix-vector multiplication. Frontiers of Optoelectronics, 15(1), 1-15.
• Zhou, H., Dong, J., Cheng, J., Dong, W., Huang, C., Shen, Y., & Zhang, X. (2022). Photonic matrix multiplication lights up photonic accelerator and beyond. Light: Science & Applications, 11(1), 1-21.
• Ohno, S., Toprasertpong, K., Takagi, S., & Takenaka, M. (2021). Si microring resonator crossbar array for on-chip inference and training of optical neural network. arXiv preprint arXiv:2106.04351.
• Cheng, J., Zhou, H., & Dong, J. (2021). Photonic Matrix Computing: From Fundamentals to Applications. Nanomaterials, 11(7), 1683.
• Zhang, H., Gu, M., Jiang, X. D., Thompson, J., Cai, H., Paesani, S., & Liu, A. Q. (2021). An optical neural chip for implementing complex-valued neural network. Nature Communications, 12(1), 1-11.