6 دقیقه
پژوهشگران چینی از ریزتراشه کوانتومی فوتونی رونمایی کردهاند که ادعا میشود میتواند بارهای کاری هوش مصنوعی را به ترتیب بزرگی سریعتر کند. این دستگاه که توسط شرکت CHIPX در ووکسی و شرکت Turing Quantum در شانگهای توسعه یافته، در کنفرانس جهانی اینترنت ووژن 2025 برنده جایزه «فناوری پیشرو» شد و هماکنون بحثهای گستردهای درباره آینده سختافزار هوش مصنوعی برانگیخته است.
یک جهش فوتونی که نوید افزایش چشمگیر سرعت را میدهد
براساس گزارشها، ریزتراشه فوتونی جدید میتواند برخی مسائل پیچیده هوش مصنوعی را بیش از ۱۰۰۰ برابر سریعتر از پردازندههای گرافیکی NVIDIA حل کند — ادعایی جسورانه که تیمهای توسعهدهنده تأکید میکنند بر اساس سناریوهای معیار (benchmark) مشخص است. انتخاب این تراشه در میان ۱۷ دستاورد علمی برجسته که از میان بیش از ۴۰۰ نامزد از ۳۴ کشور در اجلاس ووژن برگزیده شدند، نشاندهنده نگاه انقلابی و پتانسیل بالای این تکنولوژی است.
این ادعاها اگرچه هیجانانگیز هستند، اما نیاز به تأیید مستقل، شفافیت در معیارهای مقایسه و تشریح دقیق محدودیتهای کاربردی دارد. مقایسه عملکرد با GPUهای مرسوم باید در سناریوهای واقعی، شامل بارهای کاری مختلف یادگیری عمیق، طبقهبندی، استنتاج و بهینهسازی انجام شود تا مشخص شود در چه کلاسهایی از مسئلهها برتری واقعی وجود دارد.
نحوه عملکرد تراشه: فوتونها، کو‑پکِیجینگ و یکپارچهسازی در مقیاس تراشه
نکتهٔ متمایز این طراحی، استفاده از نور بهجای سیگنالهای الکترونیکی سنتی است. توسعهدهندگان میگویند که توانستهاند اجزای فوتونی و مدارهای الکترونیکی را بهصورت همبسته بر روی تراشه پیادهسازی کنند (on-chip co-packaging)، که این امکان را فراهم میآورد تا پردازندههای کوانتومی فوتونی در مقیاس ویفر تولید شوند. برخی نکات فنی کلیدی عبارتاند از:
- مسیرهای داده مبتنی بر فوتون که گرمای مقاومتی را کاهش میدهند و میتوانند اطلاعات را با تأخیر پایین منتقل کنند.
- یکپارچهسازی در سطح تراشه که اجازه میدهد چندین تراشه فوتونی با هم کار کنند و بهطور بالقوه تا چیزی که تیم توسعهدهنده آن را «تا یک میلیون کیوبیت» در یک آرایش چندتراشهای توصیف میکنند، مقیاس یابند.
- تولید در مقیاس ویفر که سازندگان آن را ممکن است برای دستگاههای کوانتومی فوتونی یک «اولین» جهانی بدانند.
از منظر فیزیک و مهندسی، استفاده از فوتونها مزایایی مانند پهنای باند بالاتر، تداخل کمتر با نویز الکتریکی و امکان مسیریابی نوری درون-تراشهای را فراهم میآورد. با این حال، کنترل فاز و دامنه فوتونها، نگهداری همدوسی کوانتومی و ادغام مؤثر با مدارهای کنترل الکترونیکی از چالشهای اصلی طراحی است که تیمهای مهندسی باید برای دستیابی به عملکرد قابل تکرار و مقیاسپذیر بر آنها فائق آیند.
کجا اهمیت پیدا میکند: مراکز داده هوش مصنوعی و صنایع پیشرفته
پژوهشگران هدفگذاری کاربردی این تراشه را شامل مراکز داده هوش مصنوعی و سوپرکامپیوترها اعلام کردهاند، و کاربردهای بالقوهٔ بیشتری در هوافضا، تحقیقات زیستپزشکی و مدلسازی مالی دیده میشود. پردازش کوانتومی فوتونی میتواند توان عملیاتی (throughput) بالاتر و بازده انرژی بهتر ارائه دهد — مزایایی کلیدی برای زیرساختهای هوش مصنوعی که مصرف انرژی بسیار بالایی دارند.
برای مراکز داده هوش مصنوعی، کاهش مصرف انرژی بهازای هر عملیات محاسباتی (energy per operation) و افزایش سرعت استنتاج مدلهای بزرگ (large model inference) دو فاکتور تعیینکنندهاند. اگر تراشههای فوتونی بتوانند کارایی انرژی و تأخیر (latency) را بهبود بخشند، میتوانند هزینههای عملیاتی مراکز داده و موانع زیستمحیطی مرتبط با آموزش و استقرار مدلهای بزرگ را کاهش دهند.
علاوه بر این، در حوزههایی مانند شبیهسازی مولکولی برای داروسازی یا طراحی مصالح در مهندسی هوافضا، توانایی اجرای محاسبات پیچیده خطی و تخصیص بهینهسازیهای کوانتومی میتواند فرصتهای جدیدی برای شتابدهی پژوهش و توسعه ایجاد کند. در امور مالی، مدلهای پیچیده ریسکسنجی و بهینهسازی پرتفوی نیز از محاسبات موازی سریعتر بهرهمند میشوند.
بررسی واقعیت: محدودیتهای تولید و موانع تجاریسازی
با وجود هیجان، تولید همچنان محدود است. گزارشها حاکی از خروجی سالانه حدود ۱۲٬۰۰۰ ویفر است که هر ویفر بهطور متوسط حدود ۳۵۰ تراشه تولید میکند — عددی که بهمراتب پایینتر از حجم تولید نیمهرساناهای متعارف قرار میگیرد. این موضوع نشان میدهد که چالشهای تولید، کیفیت و بازده (yield) هنوز مانع اصلی در مسیر تجاریسازی انبوه هستند.
سؤالهای عملی زیادی بیپاسخ ماندهاند: کدام وظایف خاص در حوزه هوش مصنوعی واقعاً از این معماری سود خواهند برد؟ چگونه میتوان ادعای «۱۰۰۰ برابر سریعتر» را بهطور مستقل تأیید کرد؟ مسیر مشخصی برای ورود این تراشهها به بازار سازمانی و فراهمآوران ابری وجود دارد یا خیر؟
در مرحلهٔ کنونی، محدودیتهای تولید و هزینههای ساخت مانع از آن میشود که تراشههای فوتونی فوراً جایگزین پردازشگرهای الکترونیکی شوند. علاوه بر هزینه، موضوعاتی مانند سازگاری نرمافزاری، پشته ابزار توسعه (toolchain)، کتابخانههای ماشینی که بتوانند از معماری فوتونی بهرهبرداری کنند و استانداردسازی رابطها بین پردازندههای فوتونی و زیرساختهای ابری نیز باید حل شوند.
یکی از موانع فنی مهم، تضمین قابلیت تولید در حجم بالا با بازده قابلقبول است. تولید ویفرهای فوتونی با دقت فاز و تراز هندسی لازم برای کوپلینگ موثر بین اجزا نیازمند کنترل فرآیند بسیار دقیق و آزمایشهای کیفی گسترده است. هرگونه نقص تولیدی میتواند عملکرد کوانتومی را به شدت کاهش دهد یا باعث عدم کارکرد صحیح دستگاه شود.
از دید بازار، ارائهدهندگان سرویسهای ابری و شرکتهای بزرگ هوش مصنوعی در تصمیمگیری برای پذیرش چنین فناوریهایی به معیارهای قابلتکرار، هزینه کل مالکیت (TCO)، و پشتیبانی نرمافزاری وابستهاند. بدون برآورده شدن این الزامات، پذیرش گسترده سخت خواهد بود، حتی اگر مزیتهای عملکردی در شرایط آزمایشی وجود داشته باشد.
علاوه بر همهٔ اینها، مسائل امنیتی و نرمافزاری نیز باید بررسی شوند؛ بهعنوان مثال نحوه نگهداری دادههای حساس در پشتهای که شامل سختافزار کوانتومی فوتونی است و تأثیر احتمالی بر حریم خصوصی یا خطرات جدید حملهبرداری (exploit) که ناشی از معماری متفاوت خواهند بود.
چین آشکارا در تلاش است تا در محاسبات کوانتومی از رقبای غربی پیشی بگیرد و این تراشه فوتونی نشاندهندهٔ یک اقدام استراتژیک به سمت شتابدهندههای کوانتومی نوری است. بازده کسبوکار و سهم بازار نهایی این فناوری بستگی مستقیم به توانایی مقیاسدهی، تولید دوبارهپذیری معیارها و پذیرش صنعتی در سالهای آتی دارد.
در نهایت، حتی در صورت اثبات کارایی در آزمایشگاه، مسیر صنعتی شدن نیازمند همکاری میان دانشگاهها، شرکتهای تولیدکننده نیمههادی، ارائهدهندگان زیرساخت ابری و توسعهدهندگان نرمافزار است تا اکوسیستمی کامل برای طراحی، توسعه و استقرار برنامههای مبتنی بر شتابدهندههای فوتونی کوانتومی شکل گیرد.
منبع: smarti
نظرات
دانیکس
نقطهٔ قوت میتونه مصرف انرژی و تاخیر باشه. ولی تا وقتی معیارها تکرارشونده نباشه و استاندارد نباشه، پذیرش صنعتی کند خواهد بود
آرمین
حس میکنم یه جور بازاریابیه، ۱۲٬۰۰۰ ویفر و ۳۵۰ تراشه یعنی هنوز مقیاسپذیری پایینه، هزینه و سازگاری نرمافزار رو نگفتن
لابکور
وای اگر حقیقت داشته باشه تحوّل بزرگیه... کنترل فاز و همدوسی رو چطور حل کردن؟ خیلی هیجان زدهم اما منتظر آزمایش مستقلام
رودایکس
واقعاً میگن ۱۰۰۰ برابر؟! تو بنچمارک شاید، ولی تو دنیای واقعی شک دارم. تولید، ییلد و پشته نرمافزاری چی میشه؟
ارسال نظر