10 دقیقه
پژوهشگران دانشگاه تسینگهوا تراشه‌ای یکپارچه برای محاسبات نوری را معرفی کرده‌اند که سرعت استخراج ویژگی را فراتر از آستانهٔ ۱۰ گیگاهرتز میبرد؛ دستاوردی که پیامدهایی برای تجارت فرکانس بالا، تصویربرداری پزشکی و هوش مصنوعی بلادرنگ دارد. با انتقال یک لایهٔ کلیدی از محاسبات از الکتریسیته به نور، تیم گزارش میدهد که تأخیر به‌طرز چشمگیری کاهش یافته و راهی به سوی سامانه‌های هیبریدی هوش مصنوعی سبک‌تر و سریع‌تر باز شده است.
چرا نور؟ گلوگاه در محاسبات مدرن هوش مصنوعی
سامانه‌های مدرن هوش مصنوعی و داده‌محور — از ربات‌های جراحی تا سامانه‌های خودکار معاملات — نیاز دارند جریان‌های بزرگ و پیوستهٔ داده را در کسری از میلی‌ثانیه پردازش و استخراج کنند. اما پردازندههای الکترونیکی سنتی به محدودیت‌های فیزیکی و حرارتی نزدیک شده‌اند. افزایش فرکانس کلاک و فشرده‌سازی بیشتر ترانزیستورها روی تراشه دیگر مانند گذشته مقیاس‌پذیر نیست: ارتباطات الکترونیکی داخلی، دسترسی به حافظه و تلفات انرژی موجب تأخیر و هزینه‌های انرژی می‌شوند که برای کاربردهای حساس به تأخیر بسیار گران‌قیمت است.
محاسبات نوری الکترون‌ها را با فوتونها جایگزین میکند تا برخی عملیات ریاضی را با سرعت نور انجام دهد. فوتونیک انتشار تقریباً آنی داده، موازیسازی طبیعی (چند طول موج و کانال‌های فضایی همزمان) و پتانسیل مصرف انرژی بسیار کمتر به ازای هر عملیات را فراهم میکند. یک رویکرد امیدوارکننده استفاده از اپراتورهای نوری مبتنی بر پراش است: عناصر نوری نازکی که میدان‌های نوری ورودی را به الگوهای خروجی دلخواه تبدیل میکنند و عملاً محاسبات خطی مانند ضرب ماتریس-بردار را در یک عبور واحد انجام می‌دهند.
OFE2 میتواند تخصیص انعطاف‌پذیر منابع را برای پاسخ به نیازهای چندوظیفگی در تشخیص صحنه، کمک‌های پزشکی و خدمات مالی دیجیتال تسهیل کند.
چگونه OFE2 چالشهای هم‌دوسی و پایداری را پشت سر می‌گذارد
دستگاه جدید که OFE2 (موتور استخراج ویژگی نوری ۲) نامیده میشود، به محدودیت اصلی محاسبات نوری همدوس می‌پردازد: نگه‌داشتن روابط فازی پایدار میان کانال‌های نوری موازی در سرعت‌های بسیار بالا. بسیاری از سیستمهای فوتونیکی از تقسیم‌کننده‌ها و خطوط تأخیر مبتنی بر فیبر برای ایجاد کانال‌های متعدد داده استفاده میکنند؛ اما فیبرها نویز فازی و ناپایداری‌های حساس به دما را وارد میکنند که فرکانس عملیاتی را محدود می‌نماید. برای حل این مسئله، تیم تسینگهوا ماژول آمادهسازی دادهٔ یکپارچهٔ روی تراشه‌ای را توسعه داد که شامل تقسیم‌کننده‌های توان قابل تنظیم و خطوط تأخیر با کنترل دقیق است. این ماژول جریان سری دادهٔ ورودی را نمونه‌برداری کرده و آن را به چند شاخهٔ نوری موازی و پایدار دِسریالایز میکند. آرایهٔ فازی یکپارچه و قابل تنظیم سپس به دستگاه امکان میدهد تا نحوهٔ تداخل این شاخه‌ها در اپراتور پراش را پیکربندی مجدد کند و انرژی نوری را به خروجی‌های منتخب هدایت نموده و آشکارسازهای ویژگی مشخصی را پیاده‌سازی نماید.
پراش به‌عنوان محاسبه: عملیات ماتریسی در یک پرتوی نور
هنگامی که به‌درستی پیکربندی شود، اپراتور پراش مانند یک ماتریس برنامه‌ریزی‌شده عمل میکند. موج‌های ورودی — که هر کدام بخشی از داده را حمل میکنند — هنگام عبور از عنصر پراشی با هم تداخل میکنند و الگوی خروجی یک نقطهٔ روشن متمرکز تولید میکند که موقعیت و شدت آن نتیجهٔ یک ضرب ماتریس-بردار را رمزگذاری میکند. با ردیابی نحوهٔ تغییر توان خروجی در زمان یا با تغییرات ورودی، OFE2 ویژگی‌هایی مانند لبه‌های تصویر یا الگوهای زمانی در داده‌های بازار را استخراج میکند. این رویکرد اساساً محاسبات خطی را به یک فرآیند فیزیکی سریع تبدیل میکند؛ عملیاتی که میتواند قبل از هرگونه پردازش الکترونیکی در سطح جلویی اجرا شود تا بار پردازندههای بعدی کاهش یابد.
عملکرد: ۱۲.۵ گیگاهرتز و تأخیر کمتر از ۲۵۰ پیكوثانیه
OFE2 با نرخ مؤثر ۱۲.۵ گیگاهرتز عمل میکند. تیم گزارش میدهد که یک ضرب ماتریس-بردار منفرد در کمتر از ۲۵۰.۵ پیكوثانیه کامل میشود که این پیاده‌سازی را در میان سریع‌ترین نشان‌دادهای محاسبات نوری یکپارچه قرار میدهد. آن تأخیر زیر-نانوثانیه‌ای هنگامی اهمیت می‌یابد که هر میکروثانیه میتواند نتیجهٔ عملیاتی مانند استراتژی‌های معاملات الگوریتمی را تغییر دهد؛ در این سناریوها تأخیر کمتر میتواند بر سودآوری و ریسک تأثیر مستقیم داشته باشد.
نکتهٔ اساسی این است که مرحلهٔ پیشپردازش نوری بار روی شبکه‌های عصبی الکترونیکی پسین را کاهش میدهد. در وظایف تصویری، OFE2 نقشه‌های ویژگی مکملی مانند «برآمدگی و حکاکی» تولید کرد که دقت طبقهبندی را بهبود بخشید و عملکرد پیکسلی در تقسیمبندی معنایی (مانند شناسایی اندام‌ها در اسکن‌های CT) را افزایش داد، در حالی که به پارامترهای الکترونیکی کمتری نسبت به یک خط لولهٔ صرفاً الکترونیکی نیاز داشت. این کاهش پارامترها به معنای حافظه کمتر، مصرف انرژی پایین‌تر در واحد پردازش و توانایی استقرار بر روی سختافزار لبه با منابع محدود است.
آزمایش‌های دنیای واقعی: تصاویر و سیگنال‌های بازار
پژوهشگران OFE2 را روی بارهای کاری بصری و مالی اعتبارسنجی کردند. در آزمایش‌های تصویربرداری، موتور پراشی بهطور قابل‌اعتماد لبه‌ها و ویژگی‌های بافتی را برجسته کرد که طبقهبندی و تقسیمبندی شبکه‌های عصبی پسین را دقیق‌تر و کارآمدتر ساخت. برای یک وظیفهٔ معاملاتی دیجیتال، سیگنال‌های قیمت زمانی که وارد OFE2 شدند پس از آموزش به اقدامات معاملاتی نگاشته شدند؛ خروجی‌های نوری می‌توانستند بهطور مستقیم از طریق یک گام آستانه‌گذاری ساده به تصمیمات خرید/فروش تبدیل شوند و حلقهٔ معاملاتی را با سرعت فوتونیکی اجرا کنند.
از آنجا که محاسبات اصلی در اجزای نوری غیر فعال رخ میدهد، مصرف انرژی به ازای هر عملیات بهطور چشمگیری میتواند کمتر از پیش‌پردازش‌های الکترونیکی مرسوم باشد. این امر مسیر عملی به سوی معماری‌های هیبریدی را فراهم می‌آورد که در آن فوتونیک وظایف جلویی با بیشترین شدت محاسبات و حساسیت به تأخیر را بر عهده دارد و الکترونیک تصمیمگیری سطح بالاتر و هماهنگی را انجام میدهد. این تقسیم کار میتواند منجر به سامانه‌هایی شود که نه تنها سریع‌تر بلکه قابل اعتمادتر و مقرون‌به‌صرفه‌تر در مصرف انرژی باشند.
فناوری‌های مرتبط و گام‌های بعدی
OFE2 در اکوسیستم رو به رشد پژوهش‌های فوتونیک یکپارچه قرار دارد: مدارهای فوتونیک قابل برنامه‌ریزی، پردازندههای نور-عصبی (neuromorphic photonic processors) و شتاب‌دهنده‌های نوری چندکاناله مبتنی بر تقسیم طول‌موج (WDM). هنوز چالشهای کلیدی باقی‌مانده‌اند — یکپارچهسازی منابع نوری قابلاطمینان، بستهبندی برای پایداری حرارتی، تکرارپذیری تولید و توسعهٔ ابزارهای طراحی که مدلهای یادگیری ماشین را به چیدمانهای پراشی فیزیکی نگاشت کنند. طراحی ابزارهای نرم‌افزاری که بتوانند توپولوژی شبکه‌های عصبی را به پارامترهای هندسی عناصر پراشی ترجمه کنند، یکی از نیازهای مهم برای تسریع پذیرش صنعتی است.
تیم تسینگهوا نتایج خود را در مجلهٔ Advanced Photonics Nexus منتشر کرد و علاقهٔ خود را به همکاری با گروه‌هایی که بارهای کاری داده‌محور و حساس به تأخیر دارند اعلام نمود. گذار از نمونه‌های آزمایشگاهی به استقرار واقعی نیازمند همطراحی با فروشندگان برنامه‌های کاربردی — شرکت‌های مالی، سازندگان دستگاه‌های پزشکی و شرکت‌های تصویربرداری — خواهد بود تا اطمینان حاصل شود رابطها، الکترونیک کنترل و الگوریتم‌ها برای تولید آماده هستند. افزون بر این، استانداردسازی رابط‌های بین اجزای فوتونیک و الکترونیک، تضمین کیفیت تولید و ایجاد زنجیرهٔ تأمین برای منابع لیزر کوچک و آشکارسازهای روی تراشه از اقدامات ضروری برای تجاریسازی هستند.
بینش کارشناسی
دکتر ماریا آلوارز، مهندس سیستمهای فوتونیک (نمونهٔ خیالی)، اظهار می‌دارد: 'این کار مسیر عملی را برای سوق دادن محاسبات نوری به کاربردهایی که نیازمند هر دو ویژگی سرعت و قابلیت پیکربندی هستند نشان میدهد. آمادهسازی دادهٔ یکپارچه روی تراشه نوعی پیشرفت مهندسی است که پل میان مفاهیم آزمایشگاهی و شتاب‌دهنده‌های قابل استقرار را می‌سازد. هنوز تا جایگزینی کامل GPUها راه باقی است، اما پشته‌های هیبریدی فوتونیک-الکترونیک می‌توانند نحوهٔ طراحی سامانه‌های هوش مصنوعی حساس به تأخیر را بازتعریف کنند.'
نگاهی به آینده نشان میدهد که ترکیب اپراتورهای پراشی شبیه OFE2 با لیزرهای فشرده و آشکارسازهای روی تراشه میتواند حسگرها و پردازندههای لبه فوق‌سریع برای رباتیک، وسایل نقلیهٔ خودران و امور مالی تولید کند. با بالغ شدن فرایندهای ساخت فوتونیک و تطبیق الگوریتم‌ها با محدودیت‌های نوری، بهطور منطقی انتظار می‌رود سامانه‌های هیبریدی بیشتری پدیدار شوند که از نور در جاهایی استفاده میکنند که بیشترین اهمیت را دارد: در خطوط مقدم ورود داده.
در جمع‌بندی فنی‌تر، ترکیب OFE2 با تکنیک‌های پردازش سیگنال دیجیتال اختصاصی و معماری‌های تسریع‌کنندهٔ مبتنی بر FPGA یا ASIC میتواند حلقهٔ پردازش موثر و کم‌تاخیری ایجاد کند. از منظر طراحی سیستم، نکات مهندسی شامل مدیریت گرما، کالیبراسیون فاز در میدان و الگوریتم‌های آموزش که خطاهای فیزیکی پراشی را در طول آموزش مدل لحاظ میکنند، حیاتی هستند. برای مثال، استفاده از روش‌های آموزش مقاوم به نویز و معرفی لایه‌های جبران‌گر در شبکه میتواند عملکرد نهایی را در حضور نوسان‌های فازی و تغییرات محیطی حفظ کند.
در سطح صنعتی، موارد استفادهٔ کوتاه‌مدت و ارزش افزوده شامل تسریع پیشپردازش تصاویر پزشکی قبل از آنالیز عمیق، شناسایی الگوهای پرتکرار در جریان‌های دادهٔ بازار برای سیستمهای معاملات خودکار و تسهیل عملیات بینایی ماشین در ربات‌های لبه‌ای است. در بازهٔ بلندمدت‌تر، ادغام کامل مدولاسیون فاز/دامنه روی تراشه و منابع نوری تجدیدپذیر میتواند پایهٔ اکوسیستم سخت‌افزاری جدیدی برای هوش مصنوعی بلادرنگ فراهم سازد که همزمان با چالشهای مصرف انرژی و مقیاس‌پذیری مقابله کند.
در نهایت، پذیرش فناوری‌هایی مانند OFE2 نیازمند همکاری میان پژوهشگران فوتونیک، معماران سیستم، طراحان الگوریتم و کسب‌وکارهاست تا موارد استفادهٔ با بیشترین ارزش اقتصادی و فنی را شناسایی و پیاده‌سازی کنند. وقتی این هم‌افزایی محقق شود، محاسبات نوری میتواند یک نقش محوری در معماری‌های نسل بعدی هوش مصنوعی ایفا کند.
منبع: scitechdaily
نظرات
ماک.
خلاصه‌ش اینکه عملی و کاربردیه، مخصوصا برای پیشپردازش تصاویر لبه‌ای؛ ولی هنوز چالشهای مهندسی زیادن.
آرمان
احساس میکنم کمی اغراق شده، داده‌های آزمایشی خوبن اما مقیاس‌پذیری صنعتی یه داستان دیگه‌ست، با این حال چشم‌انداز جذابه.
لاب‌کور
رویکرد فنی قانع‌کننده‌ست؛ به‌ویژه ماژول آمادهسازی داده روی تراشه. سوال اصلی: تکرارپذیری تولید در مقیاس صنعتی چقدره؟
توربوآدا
تو پروژه‌هامون دیدم تاخیر زیر نانوثانیه کلی فرق میذاره، اما بستهبندی و لیزرهای روی تراشه معمولا دردسرن، امیدوارم حل بشه.
کوین‌پایل
این که میگه می‌تونه با سرعت فوتونی تصمیم خرید/فروش بگیره، واقعیِ یا بلوفه؟ latency رو چطور محاسبه کردن، سوالای زیاد دارم
اتم‌ویو
وای، چنین سرعتی؟! اگه واقعا پایدار و کم‌مصرف بمونه، آینده روباتیک و بازارها رو تغییر میده... ولی خب جای شک هست.
ارسال نظر