انقلاب تراشه‌ های فوتونیکی در هوش مصنوعی

دانشگاه MIT تراشه فوتونیکی با دقت ۹۲ درصد برای محاسبات هوش مصنوعی کم‌مصرف معرفی کرد. دانشمندان مؤسسه فناوری ماساچوست (MIT) موفق به توسعه تراشه‌ای فوتونیکی شده‌اند که توانایی انجام تمامی محاسبات کلیدی شبکه‌های عصبی عمیق را در یک تراشه دارد و امکان انجام محاسبات یادگیری ماشین به صورت کم‌مصرف را فراهم می‌آورد.

به گزارش سرویس سخت افزار رسانه اخبار تکنولوژی تکنا، این تراشه قادر است محاسبات اساسی را در زمانی کمتر از نیم نانوثانیه انجام دهد، و طبق اعلام این دانشگاه، می‌تواند به زودی نیروی محرکه‌ای برای کاربردهای هوش مصنوعی فوق‌سریع باشد.

شبکه‌های عصبی عمیق که امروزه برای توسعه کاربردهای پیشرفته هوش مصنوعی استفاده می‌شوند، محدودیت‌های سخت‌افزارهای محاسباتی را به چالش می‌کشند. درحالی‌که حوزه هوش مصنوعی نوین به دلیل استفاده از زیرساخت‌های پرمصرف به لحاظ انرژی شناخته می‌شود، با رسیدن سخت‌افزارهای الکترونیکی به مرز توانایی‌های خود، محققان به دنبال راه‌حل‌هایی هستند که بتوانند هم نیازهای محاسباتی را برآورده کنند و هم کم‌مصرف باشند.

نقش فناوری فوتونیکی در پردازش اطلاعات

سخت‌افزارهای فوتونیکی، که به جای الکترون از نور برای پردازش اطلاعات استفاده می‌کنند، پتانسیل ارائه راه‌حلی برای این چالش را دارند. با این وجود، این فناوری هنوز در حال توسعه است و در برخی از مراحل به سخت‌افزارهای الکترونیکی وابسته است، که این امر سرعت پردازش و پیشرفت فناوری را کند می‌کند.

اما اکنون، تیمی تحقیقاتی به سرپرستی پروفسور دیرک انگلوند، محقق اصلی گروه فوتونیک کوانتومی و هوش مصنوعی در MIT، موفق به دستیابی به پیشرفتی قابل‌توجه در این زمینه شده است.

شبکه‌های عصبی عمیق روی تراشه‌های نوری

شبکه‌های عصبی عمیق (DNNs) مانند نورون‌های مغز انسان، از لایه‌های متصل به هم برای پردازش اطلاعات و تولید خروجی استفاده می‌کنند. این شبکه‌ها شامل دو نوع عملیات هستند: عملیات خطی که شامل ضرب ماتریسی داده‌ها برای انتقال آنها از طریق گره‌هاست و عملیات غیرخطی، که شامل توابع فعال‌سازی است و برای یادگیری الگوهای پیچیده ضروری است.

در سال ۲۰۱۷، تیم انگلوند پردازنده‌ای فوتونیکی طراحی کرد که می‌توانست عملیات خطی را انجام دهد، اما برای عملیات غیرخطی همچنان به سخت‌افزارهای الکترونیکی وابسته بود.

غلبه بر چالش‌های غیرخطی بودن در پردازش نوری

ساومیل باندوپادیای، دانشمند مهمان در آزمایشگاه انگلوند و از اعضای این پروژه، در این باره توضیح داد: «ایجاد غیرخطی بودن در اپتیک بسیار چالش‌برانگیز است، زیرا فوتون‌ها به سختی با یکدیگر تعامل دارند. این مسئله باعث می‌شود ایجاد غیرخطی‌های نوری بسیار پرمصرف باشد، که این خود مانعی برای ساخت سیستم‌های مقیاس‌پذیر ایجاد می‌کند.»

برای حل این مشکل، تیم انگلوند دستگاه‌هایی به نام واحدهای عملکردی نوری غیرخطی (NOFUs) طراحی کرد که شامل اجزای الکترونیکی و فوتونیکی روی یک تراشه واحد هستند و امکان انجام عملیات غیرخطی را فراهم می‌آورند.

این تیم یک تراشه با سه لایه NOFU ساخت و عملکرد آن را مورد آزمایش قرار داد. در این تراشه، پس از انجام محاسبات خطی، مقدار کمی از نور به دیودهای نوری منتقل می‌شود تا به جریان الکتریکی تبدیل شود و عملیات غیرخطی را اجرا کند. این طراحی نیاز به تقویت‌کننده‌ها را از بین می‌برد و فرایند را کم‌مصرف‌تر می‌کند.

باندوپادیای افزود: «ما تا پایان فرایند در حوزه نوری باقی می‌مانیم و تنها در مرحله پایانی، هنگام دریافت پاسخ، از حوزه نوری خارج می‌شویم. این رویکرد به ما امکان دستیابی به تأخیر بسیار پایین را می‌دهد.» این نوآوری همچنین به تیم اجازه داد که یک شبکه عصبی عمیق را روی تراشه آموزش دهند، بدون اینکه انرژی زیادی مصرف شود.

عملکرد تراشه فوتونیکی و قابلیت مقیاس‌پذیری آن

تراشه فوتونیکی MIT در فرآیند آموزش به دقت ۹۶ درصد و در زمان استفاده به دقت ۹۲ درصد دست یافت که نشان‌دهنده توانایی آن در حد و اندازه سخت‌افزارهای الکترونیکی متداول است. علاوه بر این، تیم تحقیقاتی موفق به تولید نمونه اولیه تراشه خود با استفاده از فرایندهای متداول ساخت تراشه‌های CMOS شد، که نشان‌دهنده مقیاس‌پذیری بالای این روش است.

این پیشرفت راه را برای کاربردهای جدید و کم‌مصرف هوش مصنوعی هموار می‌کند و گامی مهم به سوی استفاده گسترده‌تر از فناوری فوتونیک در محاسبات مدرن محسوب میشود.