Denne artikel er blevet gennemgået i overensstemmelse med Science X's redaktionelle proces og politikker. Redaktørerne har lagt vægt på følgende karakteristika, samtidig med at de sikrer troværdigheden af indholdet: Mikroskopibilledet af gitterkoblede bølgemultiplexer og direkte kobler i chipdesignet, sammen med de detaljerede størrelser for den direkte kobler bestemt ved FTDT-simuleringer, præsenteres som enhedsdetaljer for Taichi-konstruktionen. Mikroskopibilledet af kantkobleren, der bruges til laserenhedsinput, og mikroskopibilledet af faseforskydere er også inkluderet. Et hold ingeniører fra Tsinghua University og Beijing National Research Center for Information Science and Technology i Kina har udviklet en storskala diffraktiv hybrid fotonic AI-chiplet til anvendelse inden for effektiv kunstig generel intelligens. Studiet er offentliggjort i Science. Da AI-softwareapplikationer er blevet mainstream, har computeringeniører arbejdet på at udvikle hardware, der enten kan forbedre effektiviteten af ​​AI-software eller muliggøre direkte AI-beregning. I dette studie fokuserede det kinesiske hold på sidstnævnte og sigtede mod at fremskynde og optimere AI-behandling. For at opnå dette skabte de en chiplet - en integreret kreds, der udfører specifikke funktionalitetsundergrupper og typisk bruges i forbindelse med andre chiplets for at fuldføre opgaver baseret på lys i stedet for elektricitet. Den centrale målsætning for denne forskning er opbygningen af en kunstig generel intelligens (AGI)-model.

Denne model vil bestå af forskellige chiplets, herunder sådanne som Taichi, der sammen vil danne en neural netværksbaseret computer med artificial intelligence-evner, der er på niveau med eller overstiger de menneskelige hjernes evner. En af de primære udfordringer ved oprettelsen af ​​en sådan model ligger i den krævede beregningskraft. I øjeblikket er grafikkort de vigtigste komponenter, der bruges i disse systemer, men mere avanceret teknologi er nødvendig for, at et AI-system kan matche menneskelig intelligens. Det kinesiske hold foreslår at bruge lys i stedet for elektricitet til behandling, da denne tilgang vil forbruge mindre strøm og muliggøre hurtigere beregninger. Forskerne fremhæver, at Taichi blev designet og konstrueret på lignende måde som andre lysbaserede chiplets, men med den fordel, at det er nemmere at skalerbarhed, hvilket muliggør integrationen af flere chiplets til dannelse af en AGI. Under test fandt holdet, at deres design opnåede et netværksomfang på 13, 96 millioner kunstige neuroner, hvilket markant overstiger 1, 47 millioner, der blev rapporteret af andre chiplet-producenter. For yderligere information, henvises der til: Zhihao Xu et al, Large-scale photonic chiplet Taichi empowers 160-TOPS/W artificial general intelligence, Science (2024). DOI: 10. 1126/science. adl1203