6 دقیقه
یک پارادایم جدید محاسبات مبتنی بر نور
پژوهشگران مایکروسافت و مؤسسات همکار، یک رایانشگر نوری آنالوگ (AOC) عملیاتی را معرفی کرده‌اند که مسائل خاصی در زمینه هوش مصنوعی و بهینهسازی را با استفاده از نور به‌جای ترانزیستورهای الکترونیکی مرسوم حل میکند. گرچه متخصصان یادآور می‌شوند این رویکرد جایگزینی برای ماشین‌های دیجیتال همه‌منظوره نیست، اما AOC به‌عنوان یک شتاب‌دهنده بسیار انرژی‌کارآمد برای بارهای کاری هدفمند مانند استنتاج یادگیری ماشینی، بازسازی تصویر و بهینه‌سازی‌های محدود، نویددهنده است.
نحوه کار AOC و نقش «همتای دیجیتال»
این سیستم یک ابزار فوتونی فیزیکی را با یک نسخهٔ نرمافزاری مکمل — یک «همتای دیجیتال» — که رفتار دستگاه نوری را در سیلیکون مدل‌سازی میکند، ترکیب میکند. این استراتژی هیبریدی به مهندسان اجازه میدهد در نرم‌افزار آزمایش‌ها را مقیاس‌بندی کنند و سپس نتایج را به سختافزار نگاشت کنند، که امکان حل مسائل پیچیده‌تر از آنچه نمونهٔ اولیه توانایی دارد فراهم می‌سازد.
«همتای دیجیتال جایی است که می‌توانیم روی مسائل بزرگ‌تری نسبت به آنچه ابزار فیزیکی اکنون قادر به حل آن است کار کنیم،» مایکل هانسن، مدیر ارشد پردازش سیگنال زیست‌پزشکی در Microsoft Health Futures، در خلاصهٔ پروژه توضیح داد. این همتا امکان شبیهسازی متغیرهای بسیار بیشتر و جریان‌های کاری الگوریتمی غنی‌تر را فراهم میکند و توسعه برای آرایههای AOC بزرگتر در آینده را تسریع میکند.
معیارهای اولیه: دستهبندی تصویر و بازسازی MRI
برای اعتبارسنجی مفهوم، تیم وظایف کلاسیک یادگیری ماشین مانند دستهبندی تصویر را روی AOC فیزیکی اجرا کرد. عملکرد در این بارهای کاری ساده تقریباً با یک رایانهٔ دیجیتال مرسوم برابری داشت. با این حال محققان استدلال می‌کنند که با مقیاس‌بندی AOC و افزودن کانال‌های بیشتر میکرو-LED و اجزای نوری، این معماری می‌تواند در مسائل بزرگتر برتری چشمگیری در بهرهوری انرژی پیدا کند.
با استفاده از همتای دیجیتال، پژوهشگران یک مورد کاربرد پزشکی جذاب را نشان دادند: بازسازی یک MRI مغز به اندازهٔ 320 در 320 پیکسل با استفاده از تنها 62.5% داده‌های اندازه‌گیری اولیه. مدل تصویر تشخیصی را با دقت بازتولید کرد که این امر مسیر کوتاه‌تر شدن زمان‌های تصویربرداری MRI و کاهش قرارگیری بیمار در جلسات طولانی اسکن را نشان میدهد.
آزمایش‌های بهینهسازی: تسویه مالی و حداقل‌سازی ریسک
علاوه بر تصویربرداری و دستهبندی، چارچوب AOC روی مجموعه‌ای از مسائل بهینهسازی مالی نیز به کار گرفته شد. آزمون‌ها مبادلات کارا میان چندین طرف را شبیهسازی کردند در حالی که ریسک تجمیعی را به حداقل می‌رسانند — چالشی که برای اتاق‌های تسویه و شبکه‌های مالی بزرگ معمول است. در این سناریوها، رویکرد مبتنی بر AOC نسبت به برخی نمونه‌های کوانتومی فعلی نرخ موفقیت بالاتری کسب کرد و پتانسیل رایانش آنالوگ فوتونی در مسائل ترکیبی و پژوهش‌های عملیاتی را برجسته ساخت.
ویژگی‌های محصول و نکات فنی
- محاسبات نوری آنالوگ با استفاده از مدولاسیون نور فضایی و آرایههای میکرو-LED.
- معماری هیبریدی با همتای دیجیتال مقیاس‌پذیر برای شبیهسازی و حل مسائل در ابعاد بزرگتر.
- هم‌ترازی در سطح نمونهٔ اولیه با رایانه‌های دیجیتال در وظایف کوچک یادگیری ماشینی و کسب بهبودهای کارایی در نمونه‌های بزرگتر شبیه‌سازی‌شده.
- موارد کاربرد نشان‌داده‌شده: دستهبندی تصویر، بازسازی MRI پراکنده و بهینهسازی چندجانبهٔ مالی.
مزایا و محدودیت‌ها
از مزایا می‌توان به پتانسیل قابل‌توجه در بهینهسازی مصرف انرژی برای بارهای کاری متراکم و قابل‌موازی‌سازی، کاهش تأخیر در برخی وظایف استنتاج و نتایج امیدوارکننده در مسائل بازسازی و بهینهسازی اشاره کرد. محدودیت‌ها در حال حاضر واضح‌اند: AOC یک نمونهٔ اولیه است که برای کلاسهای خاصی از مسائل طراحی شده نه یک پردازندهٔ عمومی. همان‌طور که آیدوگان اوزکان، پژوهشگر رایانش نوری در UCLA که در این مطالعه دخیل نبود، اشاره کرد، این فناوری بیشترین تناسب را با بارهای کاری خاص هوش مصنوعی و بهینهسازی دارد و نه محاسبات عمومی.
مقایسه‌ها: آنالوگ فوتونی در برابر رویکردهای دیجیتال و کوانتومی
در مقایسه با CPUها و GPUهای سنتی، پردازندههای آنالوگ نوری می‌توانند از قوانین فیزیک برای حل برخی کارهای خطی و بهینهسازی با مصرف انرژی بسیار کمتر به‌ازای هر عملیات استفاده کنند. در برابر سیستم‌های کوانتومی نوپدید، ماشین‌های آنالوگ فوتونی برای استقرار کوتاه‌مدت روی داده‌های دنیای واقعی عملی‌تر به‌نظر می‌رسند و در مجموعه مسائل مالی تیم، موفقیت بیشتری نشان داده‌اند. با این حال هر پلتفرم نقاط قوت متمایزی دارد — سیستم‌های کوانتومی برای مسائل ترکیبی و نمونه‌برداری هدف‌گیری می‌شوند، در حالی که آنالوگ فوتونی در جبر خطی بسیار موازی و مسائل بازسازی برتری دارد.
موارد کاربرد و اهمیت بازار
بازارهای ممکن در کوتاه‌مدت شامل تصویربرداری سلامت (شتابدهی بازسازی MRI و CT)، شتاب‌دهنده‌های استنتاج هوش مصنوعی برای لبه و مراکز داده، و خدمات مالی برای بهینهسازی پورتفوی و تسویه است. با افزایش تعداد میکرو-LEDها و بهبود یکپارچگی توسط سازندگان، دستگاه‌های AOC می‌توانند میلیون‌ها یا حتی میلیاردها متغیر را پوشش دهند و برای ارائه‌دهندگان ابری و سازندگان سختافزار تخصصی هوش مصنوعی جذاب شوند.
چشم‌انداز: از نمونه اولیه تا تولید
در حال حاضر AOC یک پلتفرم آزمایشی باقی مانده است. تیم پژوهشی نسل‌های آینده‌ای را متصور است که کانال‌های میکرو-LED و عناصر فوتونی بیشتری اضافه می‌کنند و به‌طرز چشمگیری توان عملیاتی و اندازهٔ مسائل قابل حل را افزایش می‌دهند. «هدف ما، چشم‌انداز بلندمدت ما این است که این فناوری بخش قابل‌توجهی از آیندهٔ محاسبات باشد،» هایتش بالانی از تیم Cloud Systems Futures مایکروسافت در نوشتهٔ پروژه گفت. اگر این چشم‌انداز محقق شود، رایانش نوری آنالوگ می‌تواند به فناوری بنیادی برای هوش مصنوعی کم‌مصرف و محاسبات علمی در مقیاس بزرگ تبدیل شود.
منبع: livescience
.avif)
نظرات