10 دقیقه
محاسبات مبتنی بر نور بحران انرژی هوش مصنوعی را هدف می‌گیرد
هوش مصنوعی تقاضای محاسباتی را در علم، صنعت و کاربردهای روزمره با سرعتی فزاینده افزایش میدهد — از تحلیل تصاویر ماهواره‌ای تا دستیارهای صوتی و سامانههای خودران. اما این رشد با قبض انرژی بالاتر همراه است: شبکه‌های عصبی بزرگ و به‌ویژه لایه‌های کانولوشنی به تعداد زیادی عملیات ضرب-جمع نیاز دارند که به مصرف بالای توان در مراکز داده و دستگاه‌های مرزی منجر می‌شود. پژوهشگران دانشگاه فلوریدا رویکردی بالقوه تحول‌آفرین گزارش کرده‌اند: یک تراشه فوتونیک سیلیکونی که عملیات کانولوشن را با استفاده از نور لیزر و عدسی‌های میکرو-حک شده انجام میدهد و برای وظایف استخراج نتیجه (inference) اصلی در هوش مصنوعی کاهش‌های چندین مرتبه‌ای در مصرف انرژی ارائه میکند.
یک تراشه فوتونیک سیلیکونی تازه توسعه‌یافته داده‌های رمزگذاری‌شده در نور را به نتایج فوری کانولوشن تبدیل میکند. اعتبار تصویر: H. Yang (University of Florida)
منتشر شده در Advanced Photonics و اعلام‌شده از طریق SPIE در 9 سپتامبر 2025، این کار یک نمونهاولیه را نشان میدهد که محاسبات کانولوشن را روی تراشه با تبدیل سیگنال‌های الکتریکی به الگوهای نوری انجام میدهد، نور را با عدسی‌های فِرَنِل میکروسکوپی دستکاری میکند و سپس الگوهای تداخلی حاصل را دوباره به خروجی‌های دیجیتال تبدیل میکند. تیم گزارش میدهد که دقت نزدیک به معادل پیادهسازیهای الکترونیکی معمولی را حفظ میکند در حالی که انرژی مورد استفاده برای عمل اصلی را تا دو مرتبه‌ی بزرگتر کاهش میدهد — قابلیتی که میتواند اثر قابل‌توجهی بر کاهش ردپای توان استخراج نتیجه هوش مصنوعی در مراکز داده و پلتفرم‌های محدود از نظر قدرت مانند ماهوارهها و ربات‌ها داشته باشد.
پیش‌زمینه علمی: چرا کانولوشن برای هوش مصنوعی اهمیت دارد
عملیات کانولوشن برای بسیاری از مدل‌های یادگیری ماشین اساسی است، به‌ویژه شبکه‌های عصبی کانولوشنی (CNN) که برای تشخیص الگوهای بصری، کشف اشیا و سایر وظایف ادراکی استفاده می‌شوند. یک کانولوشن فیلتر کوچکی (هسته) را روی آرایه‌ای از مقادیر ورودی (مثلاً پیکسل‌ها) اعمال میکند و جمع‌های وزن‌دار محلی را محاسبه میکند تا ویژگی‌هایی مانند لبه‌ها و بافت‌ها را آشکار سازد. اجرای تعداد زیادی کانولوشن در لایه‌های متعدد، نقشه‌های ویژگی را ایجاد میکند که به شبکه‌های عصبی اجازه میدهد بازنمایی‌های سلسله‌مراتبی بیاموزند. اما هر کانولوشن هنگام پیادهسازی الکترونیکی محاسباتی سنگین است چون به تعداد زیادی عملیات ضرب-جمع نیاز دارد که به‌صورت ترتیبی یا در آرایه‌های بزرگ ترانزیستوری اجرا می‌شوند.
محاسبات نوری جایگزینی ارائه میدهد: نور به طور طبیعی تداخل و انکسار انجام میدهد و تبدیلهای خطی را در فضای آزاد یا ساختارهای هدایت‌شده با اتلاف انرژی حداقلی انجام میدهد. به‌ویژه، عدسی‌ها و عناصر تفرق‌کننده نوری می‌توانند تبدیلهای خطی (از جمله کانولوشن‌ها) را با شکل‌دهی فاز و دامنه پیادهسازی کنند. بهره‌گیری از این خواص فیزیکی روی یک پلتفرم سیلیکونی — ستون فقرات صنعت نیمه‌هادی — راهی به سوی سخت‌افزار هوش مصنوعی با توان بالا و مصرف پایین باز میکند که با فرآیندهای ساخت موجود قابل یکپارچه‌سازی است.
نحوه کار تراشه کانولوشن فوتونیک
نمونهاولیه دانشگاه فلوریدا اجزای نوری را مستقیماً با استفاده از فنون ساخت نیمه‌هادی روی زیرلایه‌ای از سیلیکون یکپارچه میکند. عناصر کلیدی و مراحل یک گذر استخراج نتیجه شامل موارد زیر است:
رمزگذاری داده و پرتاب نوری
- داده‌های ورودی (مثلاً یک قطعه تصویر کوچک یا بردار شدت پیکسل‌ها) با مدوله‌سازی منابع لیزری یا استفاده از مدولاتورهای روی تراشه به میدان‌های نوری رمزگذاری می‌شوند.
- چندین پرتو لیزر می‌توانند به‌طور همزمان استفاده شوند، هر کدام در طول موج متفاوت، که پردازش موازی چندین جریان داده را از طریق تقسیم‌بندی در طول موج (WDM) امکان‌پذیر می‌سازد.
عدسی‌های فرنل روی تراشه به‌عنوان عناصر محاسباتی
- تراشه از دو مجموعه عدسی فرنل میکروسکوپی استفاده میکند: ساختارهای عدسی پراش‌دهنده فوق‌نازک که نور را متمرکز و شکل‌دهی می‌کنند معادل عدسی‌های کروی بزرگتر.
- این عدسی‌ها مستقیماً در سیلیکون الگوگذاری شده و باریک‌تر از موی انسان هستند. رفتار پراشی آنها تبدیل خطی مشابه کانولوشن را در حالی که نور رمزگذاری‌شده از طریق قطار نوری منتشر می‌شود انجام میدهد.
کشف و دیجیتال‌سازی
- پس از عبور نور از ساختارهای عدسی و تداخل برای تولید سطح موج تبدیل‌شدهٔ مورد نظر، فوتودتکتورهای روی تراشه الگوهای شدت نوری را به سیگنال‌های الکتریکی تبدیل می‌کنند.
- خروجی‌های الکتریکی سپس توسط الکترونیک مرسوم پس‌پردازش می‌شوند تا عملیات استخراج نتیجه تکمیل شود (توابع فعال‌سازی، پولینگ، لایه‌های طبقهبندی و غیره).
این توالی بخش عمدهٔ عملیات ضرب-جمع را در حوزه نوری انجام میدهد، جایی که انتشار و پراش هزینه انرژی ناچیزی نسبت به ضرب الکترونیکی تحمیل می‌کنند.
نتایج تجربی، دقت و مقیاس‌پذیری
در آزمایشهای آزمایشگاهی، نمونهاولیه وظایف طبقهبندی تصویر مانند شناسایی ارقام دستنویس را با دقت حدود 98٪ انجام داد — که با پیادهسازیهای صرفاً الکترونیکی پایه برای همان معماری شبکه و مجموعه‌داده قابل‌مقایسه بود. به‌طور حیاتی، نویسندگان گزارش می‌کنند که مرحله کانولوشن نوری تقریبا با افزایش انرژی صفر نسبت به واحدهای ضرب-جمع الکترونیکی معادل عمل میکند و کاهش انرژی کلی در حدود 100× برای بخشهای سنگین کانولوشن استخراج نتیجه را امکان‌پذیر می‌سازد.
تیم همچنین تقسیم‌بندی در طول موج را نشان داد: با تزریق رنگ‌های مختلف نور لیزر از طریق همان ساختارهای عدسی، تراشه چندین هسته را همزمان بدون افزودن هزینه انرژی یا سطح تراشه متناسب پردازش کرد. این موازی‌سازی طیفی ذاتی فوتونیک است و مسیر مقیاس‌دهی بیشتر توان عملیاتی بدون تکیه بر مقیاس‌پذیری ترانزیستور کلاسیک را فراهم می‌آورد.
با این حال، نمونهاولیه دستگاهی در مرحلهٔ اولیه است. چالش‌ها در یکپارچه‌سازی لایه‌های کانولوشنی فوتونیک در شتابدهندههای شبکه عصبی تمام‌مقیاس همچنان باقی است، از جمله: مدولاتور‌ها و آشکارسازهای با وفاداری بالا روی تراشه، مدیریت نویز و تداخل متقاطع، تراز کردن رابطهای نوری و الکترونیکی، و فراهم کردن برنامهپذیری و بازپیکربندی برای هستهها و توپولوژی‌های مختلف شبکه. همچنین گام‌های تبدیل (الکتریکی-به-نوری و نوری-به-الکتریکی) تاخیر و سربار انرژی غیرصفر وارد می‌کنند که باید برای کسب منافع سیستماتیک بهینه‌سازی شوند.
پیامدها و کاربردهای بالقوه
اگر بالغ شوند و به تولید انبوه برسند، ماژول‌های کانولوشن فوتونیک سیلیکونی می‌توانند محل و چگونگی انجام استخراج نتیجه هوش مصنوعی را بازتعریف کنند. تاثیرات بالقوه شامل موارد زیر است:
- کاهش انرژی در مراکز داده: برون‌سپاری لایه‌های سنگین کانولوشن به سخت‌افزار نوری میتواند به‌طور قابل‌توجهی مصرف عملیاتی مزرعه‌های استخراج نتیجه ابری را کاهش دهد.
- هوش مصنوعی مرزی و فضایی: شتابدهندههای فوتونیک سبک و کم‌مصرف برای ماهوارهها، کاوشگرهای سیاره‌ای و پلتفرم‌های سنجش از دور جذاب هستند، جایی که بودجه‌های توان و حرارتی محدود است.
- سیستمهای نهفته در زمان واقعی: رباتیک، وسایل نقلیه خودران و پهپادها می‌توانند از توان عملیاتی بالاتر و مصرف کمتر برای پردازش بینایی و لیدار بهره‌مند شوند.
پژوهشگران بر سازگاری با فرآیندهای ساخت استاندارد نیمه‌هادی تاکید می‌کنند که ممکن است پذیرش را برای تولیدکنندگان و فاندری‌های تراشه موجود تسهیل کند. آنها همچنین اشاره می‌کنند که شرکت‌هایی که از قبل از ارتباطات نوری یا هم‌پردازنده‌های نوری در پشته‌های تخصصی هوش مصنوعی استفاده می‌کنند می‌توانند واحدهای کانولوشن فوتونیک را در شتابدهندههای هیبرید اوپتوالکترونیکی ادغام کنند.
دیدگاه کارشناسی
دکتر ساموئل کیم، مهندس ارشد فوتونیک با 15 سال تجربه در ابزارسازی فضایی، دیدگاهی ارائه میدهد: "این کار، یکپارچه‌سازی عملی اپتیک‌های پراش‌دهنده را مستقیماً روی سیلیکون پیش می‌برد، که گامی حیاتی است. برای سیستمهای فضایی و دورافتاده، کاهش انرژی به‌ازای هر استخراج نتیجه به اندازه دو مرتبه، تحول‌آفرین است — میتواند تحلیل‌های پیچیده‌تری را در مدار انجام دهد بدون افزودن پنل‌های خورشیدی یا رادیاتورها. چالشهای اصلی که من می‌بینم تضمین مقاومت در برابر پرتوافکنی و تغییرات دما و ارائه برنامهپذیری بازپیکربندی‌شونده است تا سخت‌افزار بتواند مجموعه‌ای از مدل‌ها را در میدان پشتیبانی کند."
دکتر کیم اضافه میکند که تقسیم‌بندی طول موج به‌ویژه امیدبخش است: "تقسیم‌بندی از بعدی استفاده میکند که الکترونیک به‌راحتی نمی‌تواند از آن بهره‌برداری کند. اگر بسته‌بندی و منابع نور چندطول‌موجی فشرده و قابل اطمینان شوند، توان عملیاتی میتواند به گونه‌ای مقیاس پیدا کند که مکمل قانون مور برای بارهای کاری هوش مصنوعی باشد."
فناوری‌های مرتبط و چشم‌انداز آینده
رویکرد کانولوشن فوتونیک در یک اکوسیستم گسترده‌تر از پژوهش‌های محاسبات نوری و هیبرید قرار می‌گیرد. خطوط مرتبط شامل: مش‌های مبدل فیبر-نوری ماتریس-بردار یکپارچه شده (Mach–Zehnder) برای ضرب-ماتریس-بردار، شبکه‌های عصبی عمیق پراش‌دهنده که به‌صورت اپتیک فضای آزاد ساخته شده‌اند، و مفاهیم حافظه فوتونیک روی تراشه. هر رویکرد روی معیارهای متفاوتی از برنامهپذیری، دقت، فضا و بازده انرژی معامله میکند.
پیشرفت در فوتونیک نیمه‌هادی — مدولاتورهای قوی‌تر، موجبرهای با اتلاف کمتر، منابع لیزری چندطول‌موج فشرده و آشکارسازهای یکپارچه — سرعت حرکت اجزای محاسبات نوری از نمونهاولیه به شتابدهندههای تجاری را تعیین خواهد کرد. همکاری میان دانشگاه، آزمایشگاه‌های ملی و صنعت (شامل فروشندگانی که از قبل عناصر نوری را در سیستمهای هوش مصنوعی به کار میبرند) برای پر کردن شکاف‌های مهندسی و راه‌اندازی زنجیره‌های تولید اهمیت خواهد داشت.
محدودیت‌ها و پرسش‌های باز
چندین عدم قطعیت فنی و سطح سیستم باقی است:
- دقت و نویز: رمزگذاری شدت نوری در معرض نویز آشکارساز و محدوده دینامیکی محدود است که میتواند بر دقت عددی برای شبکه‌های عمیق یا وظایف آموزش تأثیر بگذارد.
- قابلیت برنامهپذیری: هسته‌های کانولوشن در بسیاری از شبکه‌ها در طی آموزش یاد گرفته می‌شوند و ممکن است نیاز به به‌روزرسانی‌های مکرر داشته باشند. عناصر نوری باید از بازپیکربندی پشتیبانی کنند یا با لایه‌های الکترونیکی برنامه‌پذیر جفت شوند.
- یکپارچه‌سازی سیستم: سیستمهای هیبرید اوپتوالکترونیکی نیاز به رابطهای کارآمد و طراحی مشترک پشته‌های نرم‌افزاری برای مسیریابی بهینهٔ بارهای کاری دارند.
- دوره عمر و قابلیت اعتماد: برای استقرار در محیطهای سخت (فضا، صنعتی)، دستگاه‌های فوتونیک باید استانداردهای قابلیت اعتماد سختگیرانه‌ای را برآورده کنند.
پرداختن به این موضوعات کانون تحقیقات پی‌درپی و توسعه صنعتی خواهد بود.
نتیجه‌گیری
تراشه کانولوشن فوتونیک سیلیکونی دانشگاه فلوریدا مسیر متقاعدکننده‌ای برای کاهش چشمگیر هزینه انرژی یک عملیات اصلی هوش مصنوعی با بهره‌گیری از نور نشان میدهد. با حک کردن عدسی‌های فرنل میکروسکوپی روی سیلیکون و رمزگذاری داده‌ها در پرتوهای لیزر، نمونهاولیه تبدیلهای کانولوشنی را با دقت رقابتی و انرژی چندین مرتبه کمتر برای مرحلهٔ نوری انجام میدهد. تقسیم‌بندی طول موج و سازگاری با تولید نیمه‌هادی استدلال برای پذیرش گسترده‌تر را تقویت می‌کنند.
در حالی که استقرار عملی نیازمند حل چالشهای برنامهپذیری، یکپارچه‌سازی و قابلیت اعتماد است، این کار یک استراتژی نوری عملی برای گسترش قابلیت‌های هوش مصنوعی بدون افزایش متناسب مصرف انرژی برجسته میکند. برای سیستمهای محدود از لحاظ انرژی — از دستگاه‌های مرزی تا ماهوارهها و مراکز داده بزرگ — فوتونیک مبتنی بر تراشه میتواند ابزاری اساسی در موج بعدی نوآوری سخت‌افزار هوش مصنوعی باشد.
منبع: sciencedaily
.avif)
نظرات