تیمی از محققان یک روش کلی برای آموزش مدارهای مجتمع فوتونیک به طور مستقیم بر روی تراشه فیزیکی نشان داده‌اند، مرحله‌ای که می‌تواند پردازنده‌های نوری را از شتاب‌دهنده‌های ثابت و از پیش طراحی‌شده به سخت‌افزاری تبدیل کند که پس از ساخت یاد می‌گیرد. این کار که در Nature Computational Science منتشر شده است، در خلاصه‌ای با عنوان «مدارهای فوتونیک تبدیل به سخت‌افزار هوش مصنوعی قابل آموزش می‌شوند» خلاصه شده است.

این روش که INSPIRE نامیده می‌شود - مخفف بر روی تراشه، درجا شیب فیزیکی - یکی از تنگناهای اصلی در محاسبات فوتونیک برای هوش مصنوعی را برطرف می‌کند: اگرچه پردازنده‌های فوتونی دستاوردهای عمده‌ای در سرعت و کارایی انرژی دارند، اما آموزش آن‌ها تا حد زیادی محدود به شبیه‌سازی‌های دیجیتالی است که نیاز به مدل‌سازی فیزیکی پرهزینه دارند و از خطاهای ناشی از ساخت رنج می‌برند. For more context on this story, see our ongoing AI news.

چرا آموزش تراشه های هوش مصنوعی فوتونیک سخت است

امروزه بیشتر شبکه‌های عصبی بر روی سخت‌افزار دیجیتالی آموزش داده می‌شوند، جایی که می‌توان گرادیان‌ها را دقیقاً محاسبه کرد. مدارهای فوتونیک متفاوت هستند: نور تداخل می‌کند، پراکنده می‌شود و به روش‌هایی جفت می‌شود که مدل‌سازی کامل آن دشوار است، و تغییرات کوچک در تولید به این معنی است که یک تراشه در آزمایشگاه به ندرت دقیقاً مانند دوقلو دیجیتال خود عمل می‌کند. آموزش شبکه به صورت آفلاین و سپس انتقال پارامترها به تراشه به معنای پذیرش عدم تطابق است که دقت را کاهش می دهد.

تحقیقات قبلی این مشکل را از بین برده است. مطالعات نشان داده اند که پس انتشار در محل و اندازه گیری گرادیان در شبکه های عصبی فوتونیک، و در سال 2024 محققان آموزش حالت کاملاً رو به جلو را برای شبکه های عصبی نوری برای کاهش اتکا به شبیه سازی مدل دیجیتال معرفی کردند. کار جدید این خط را با ادعای روشی گسترش می‌دهد که به جای طراحی یک طرح، در سراسر معماری مدار کلی است.

چگونه INSPIRE کار می کند

بر اساس این مقاله، INSPIRE از هولوگرافی معکوس زمان مصنوعی روی تراشه برای اندازه‌گیری میدان‌های پیچیده کامل حالت‌های فوتونیک دو جهته استفاده می‌کند. این اندازه‌گیری به خود مدار اجازه می‌دهد تا شیب‌ها را محاسبه کرده و پارامترهای خود را به‌روزرسانی کند، بدون اینکه نیازی به مدل دیجیتال کامل تراشه باشد.

نتیجه عملی قابل توجه است. از آنجا که محاسبه گرادیان در داخل سیستم فیزیکی اتفاق می‌افتد، توپولوژی‌های مدارهای متنوعی را می‌توان پس از ساخت آموزش داد و سخت‌افزار می‌تواند طراحی ماتریس، محاسبه طول موج چندگانه و فرایادگیری سریع را بدون یک کپی دیجیتال وفادار انجام دهد. در جریان های کاری معمولی، هر یک از این مراحل به دقت شبیه سازی بستگی دارد که تراشه های دنیای واقعی نمی توانند آن را تضمین کنند.

این چارچوب به عنوان توپولوژی-آگنوستیک توصیف می‌شود، به این معنی که با طرح‌های مدار نوری متنوع کار می‌کند تا یک طرح سفارشی. از آنجایی که گرادیان ها به صورت فیزیکی اندازه گیری می شوند، شبکه را می توان پس از ساخت آموزش داد و عیوب ساخت را جذب کرد که در غیر این صورت به عنوان نویز به حساب می آمدند.

نتایج

اعداد گزارش شده مشخص هستند. در آزمایشات، این روش ماتریس های آموزش دیده با خطای نسبی 0.26٪ را به دست آورد. این تیم همچنین آموزش درجا را از طریق رسانه های پراکنده برای ماتریس های بزرگتر از تعداد عناصر قابل تنظیم بومی در مدار نشان دادند - به طور موثر با کنترل های فیزیکی کمتری نسبت به آنچه که مشکل نیاز دارد، یاد می گیرند.

شاید جالب‌تر از همه، محققان نشان دادند که مدارهای متا فوتونیک می‌توانند فرایادگیری درجا را انجام دهند، و آنچه را که به عنوان یادگیری فوتونیک تک شات توصیف می‌کنند با فشرده‌سازی مدل ۲۵۱ برابری و شتاب تمرینی ویژه تکلیف ۱۳۶ برابری توصیف می‌کنند. بریف همراه اضافه می‌کند که سخت‌افزار به طراحی ماتریس، محاسبات چند طول موجی و فرا یادگیری سریع بدون مدل دیجیتال کامل مدار دست می‌یابد.

چرا مهم است

اشتهای انرژی هوش مصنوعی یکی از شدیدترین محدودیت‌های صنعت است، و محاسبات نوری مدت‌هاست که به عنوان راهی برای اجرای ضرب‌های ماتریس (عملیات اصلی شبکه‌های عصبی) با توان بسیار کمتر از پردازنده‌های الکترونیکی پیشنهاد شده است. تراشه‌های نوری استارت‌آپ‌ها و گروه‌های آکادمیک قبلاً توان استنتاج قابل توجهی را نشان داده‌اند. با این حال، آموزش دیجیتال باقی مانده است: تراشه شبکه را اجرا می کند، اما یادگیری در GPUهایی که آن را شبیه سازی می کنند اتفاق می افتد.

یک روش تمرینی عملی درجا این شکاف را از بین می‌برد و به سیستم‌های فوتونیک اجازه می‌دهد تا با وظایف جدید خود سخت‌افزار سازگار شوند. همچنین می‌تواند هزینه استقرار شتاب‌دهنده‌های فوتونیک را کاهش دهد، زیرا تراشه‌ها دیگر نیازی به مشخص‌سازی کامل و جبران قبل از استفاده ندارند. نویسندگان این کار را به عنوان ارائه «مسیری عملی به سوی سیستم‌های فوتونی هوشمند سازگار و کارآمد» تعریف می‌کنند.

هشدارها

نتایج حاصل از نمایش های آزمایشگاهی کنترل شده است، و خلاصه مقاله ادعای آمادگی تولید را ندارد. مقیاس‌بندی آموزش روی تراشه از اندازه‌های ماتریس نشان‌داده‌شده به مقیاس شبکه‌های عصبی مرزی همچنان یک چالش مهندسی باز است، همانطور که ادغام دستگاه اندازه‌گیری - هولوگرافی معکوس زمانی مصنوعی - در بسته‌های فشرده و قابل تولید انبوه. استقرار در دنیای واقعی همچنین نیاز به اثبات قابلیت اطمینان در نوسانات دما و پیری اجزا دارد، شرایطی که سیستم‌های فوتونیک رانده می‌شوند.

با این حال، این نشریه تغییر قابل توجهی را در تأکید بر این زمینه نشان می‌دهد: از طراحی مدارهای فوتونیک بهتر به اجازه دادن به مدارهای فوتونیکی، حداقل به معنای محدود تنظیم پارامترهای خود، طراحی کنند. اگر کار بعدی نتایج را در مقیاس بزرگتر بازتولید کند، مورد انرژی برای سخت افزار هوش مصنوعی نوری از نظر مادی قوی تر می شود.

مطالعه اساسی، "یادگیری نورومورفیک فوتونیک از طریق نزول شیب فیزیکی تعمیم یافته در محل" توسط Tiankuang Zhou، Yun Zhao، Shanglong Li، Guocheng Shao، Ruqi Huang و Lu Fang، در Nature Computational Science منتشر شده است.

---

Stay Ahead of AI

Get the latest AI news, analysis, and breakthroughs — all in one place.

Read more AI news →