أظهر فريق من الباحثين طريقة عامة لتدريب الدوائر المتكاملة الضوئية مباشرة على الشريحة المادية، وهي خطوة يمكن أن تحول المعالجات الضوئية من مسرعات ثابتة ومصممة مسبقًا إلى أجهزة تتعلم بعد بنائها. تم تلخيص العمل، المنشور في مجلة Nature Computational Science، في ملخص مصاحب بعنوان "الدوائر الضوئية تصبح أجهزة ذكاء اصطناعي قابلة للتدريب".

تعالج هذه الطريقة، التي يطلق عليها اسم INSPIRE - وهي اختصار لعبارة النزول المتدرج المادي على الرقاقة في الموقع - أحد الاختناقات المركزية في الحوسبة الضوئية للذكاء الاصطناعي: على الرغم من أن المعالجات الضوئية تعد بمكاسب كبيرة في السرعة وكفاءة الطاقة، إلا أن تدريبها ظل محصورًا إلى حد كبير في عمليات المحاكاة الرقمية التي تتطلب نماذج فيزيائية مكلفة، وتعاني من أخطاء ناجمة عن التصنيع. لمزيد من السياق حول هذه القصة، راجع أخبار الذكاء الاصطناعي.

لماذا يصعب تدريب رقائق الذكاء الاصطناعي الضوئية؟

يتم تدريب معظم الشبكات العصبية اليوم على الأجهزة الرقمية، حيث يمكن حساب التدرجات بدقة. تختلف الدوائر الضوئية: فالضوء يتداخل، ويبعثر، ويقترن بطرق يصعب تصميمها بشكل مثالي، كما أن الاختلافات الصغيرة في التصنيع تعني أن الشريحة في المختبر نادرًا ما تتصرف تمامًا مثل توأمها الرقمي. إن تدريب الشبكة دون الاتصال بالإنترنت ثم نقل المعلمات إلى الشريحة يعني قبول عدم التطابق الذي يؤدي إلى انخفاض الدقة.

وقد تخلصت الأبحاث السابقة من هذه المشكلة. أظهرت الدراسات الانتشار العكسي في الموقع وقياس التدرج في الشبكات العصبية الضوئية، وفي عام 2024 قدم الباحثون تدريبًا كاملاً على الوضع الأمامي للشبكات العصبية الضوئية لتقليل الاعتماد على محاكاة النماذج الرقمية. يعمل العمل الجديد على توسيع هذا الخط من خلال المطالبة بطريقة عامة عبر بنيات الدوائر بدلاً من تصميمها خصيصًا لتصميم واحد.

كيف يعمل إنسباير

وفقًا للورقة البحثية، يستخدم INSPIRE صورة ثلاثية الأبعاد اصطناعية لعكس الزمن على الرقاقة لقياس المجالات المعقدة الكاملة للأنماط الضوئية ثنائية الاتجاه. يسمح هذا القياس للدائرة نفسها بحساب التدرجات وتحديث المعلمات الخاصة بها، دون الحاجة إلى نموذج رقمي كامل للرقاقة.

والنتيجة العملية مهمة. ونظرًا لأن حساب التدرج يحدث داخل النظام المادي، فيمكن تدريب طبولوجيا الدوائر المتنوعة بعد التصنيع، ويمكن للأجهزة التعامل مع تصميم المصفوفة وحساب الأطوال الموجية المتعددة والتعلم التلوي السريع بدون نسخة طبق الأصل رقمية صحيحة. في سير العمل التقليدي، تعتمد كل خطوة من هذه الخطوات على دقة المحاكاة التي لا تستطيع رقائق العالم الحقيقي ضمانها.

يوصف الإطار بأنه لا علم له بالطوبولوجيا، مما يعني أنه يعمل مع تصميمات دوائر بصرية متنوعة بدلاً من تخطيط واحد مخصص. نظرًا لأن التدرجات يتم قياسها فعليًا، يمكن تدريب الشبكة بعد التصنيع، واستيعاب عيوب التصنيع ذاتها التي قد تعتبر ضوضاء.

النتائج

الأرقام المبلغ عنها محددة. وفي التجارب، أسفرت الطريقة عن مصفوفات مدربة مع خطأ نسبي قدره 0.26%. كما أظهر الفريق أيضًا تدريبًا في الموقع من خلال وسائط متناثرة لمصفوفات أكبر من عدد العناصر الأصلية القابلة للضبط في الدائرة، مما يعني التعلم بفعالية باستخدام ضوابط مادية أقل مما تتطلبه المشكلة اسميًا.

ولعل الأمر الأكثر إثارة للدهشة هو أن الباحثين أظهروا أن الدوائر الفوقية الضوئية يمكن أن تؤدي التعلم الفوقي في الموقع، محققة ما وصفوه بالتعلم الضوئي أحادي اللقطة مع ضغط النموذج بمقدار 251 ضعفًا وتسريع التدريب الخاص بالمهمة بمقدار 136 ضعفًا. ويضيف الموجز المصاحب أن الجهاز يحقق تصميم المصفوفة، وحساب الأطوال الموجية المتعددة، والتعلم التلوي السريع بدون نموذج رقمي كامل للدائرة.

لماذا يهم

تعد شهية الذكاء الاصطناعي للطاقة أحد القيود الأكثر إلحاحًا في الصناعة، وقد تم اقتراح الحوسبة الضوئية منذ فترة طويلة كوسيلة لتشغيل عمليات ضرب المصفوفات - العملية الأساسية للشبكات العصبية - بطاقة أقل بكثير من المعالجات الإلكترونية. لقد أظهرت الرقائق الضوئية من الشركات الناشئة والمجموعات الأكاديمية بالفعل إنتاجية مذهلة للاستدلال. ومع ذلك، ظل التدريب رقميًا: فالشريحة تدير الشبكة، لكن التعلم يحدث على وحدات معالجة الرسومات التي تحاكيها.

ومن شأن أسلوب التدريب العملي في الموقع أن يسد هذه الفجوة، مما يسمح للأنظمة الضوئية بالتكيف مع المهام الجديدة على الأجهزة نفسها. ويمكنه أيضًا تقليل تكلفة نشر المسرعات الضوئية، نظرًا لأن الرقائق لن تحتاج بعد الآن إلى التوصيف والتعويض بشكل مثالي قبل الاستخدام. يضع المؤلفون العمل على أنه يقدم "طريقًا عمليًا نحو أنظمة ضوئية ذكية قابلة للتكيف وفعالة".

###محاذير

تأتي النتائج من عروض مختبرية خاضعة للرقابة، ولا يدعي ملخص الورقة الاستعداد للإنتاج. يظل توسيع نطاق التدريب على الرقاقة، بدءًا من أحجام المصفوفات المثبتة إلى نطاق الشبكات العصبية الحدودية، يمثل تحديًا هندسيًا مفتوحًا، كما هو الحال مع دمج أجهزة القياس - التصوير المجسم الاصطناعي لعكس الزمن - في حزم مدمجة قابلة للتصنيع بكميات كبيرة. ستحتاج عمليات النشر في العالم الحقيقي أيضًا إلى إثبات الموثوقية عبر تقلبات درجات الحرارة وتقادم المكونات، وهي الظروف التي من المعروف أن الأنظمة الضوئية تنجرف فيها.

ومع ذلك، يمثل هذا المنشور تحولًا ملحوظًا في التركيز على هذا المجال: من تصميم دوائر ضوئية أفضل إلى السماح للدوائر الضوئية بتصميم نفسها، على الأقل بالمعنى الضيق لضبط معلماتها الخاصة. إذا أعادت أعمال المتابعة إنتاج النتائج على نطاق أوسع، فإن حالة الطاقة الخاصة بأجهزة الذكاء الاصطناعي الضوئي تصبح أقوى ماديًا.

الدراسة الأساسية، "التعلم العصبي الفوتوني من خلال نزول التدرج الجسدي المعمم في الموقع" التي أجراها تيانكوانغ تشو، ويون تشاو، وشانغ لونغ لي، وغوتشينغ شاو، وروكي هوانغ، ولو فانغ، تم نشرها في مجلة Nature Computational Science.

---

ابق على اطلاع بأخبار الذكاء الاصطناعي

آخر أخبار وتحليلات وإنجازات الذكاء الاصطناعي — في مكان واحد.

اقرأ المزيد من أخبار الذكاء الاصطناعي →