צוות חוקרים הדגים שיטה כללית לאימון מעגלים משולבים פוטוניים ישירות על השבב הפיזי, צעד שעשוי להפוך מעבדים אופטיים ממאיצים קבועים ומתוכננים מראש לחומרה שלומדת לאחר בנייתה. העבודה, שפורסמה ב-Nature Computational Science, מסוכמת בתקציר נלווה שכותרתו "מעגלים פוטוניים הופכים לחומרת AI ניתנת לאימון".

השיטה, שנקראת INSPIRE - קיצור של on-chip, in situ Physical Gradient Descent - מטפלת באחד מצווארי הבקבוק המרכזיים במחשוב פוטוניים לבינה מלאכותית: למרות שמעבדים פוטוניים מבטיחים הישגים גדולים במהירות וביעילות אנרגטית, האימונים שלהם נותרו מוגבלים במידה רבה לסימולציות דיגיטליות הדורשות מודלים פיזיים יקרים וסובלים מייצור שגיאות. For more context on this story, see our ongoing AI trends.

מדוע קשה לאמן שבבי AI פוטוניים

רוב הרשתות העצביות כיום מאומנות על חומרה דיגיטלית, שבה ניתן לחשב גרדיאנטים בדיוק. מעגלים פוטוניים שונים: האור מפריע, מתפזר ומזוהים בדרכים שקשה לדגמן בצורה מושלמת, וריאציות ייצור זעירות אומרות שבב במעבדה מתנהג רק לעתים רחוקות בדיוק כמו התאום הדיגיטלי שלו. אימון הרשת במצב לא מקוון ולאחר מכן העברת הפרמטרים לשבב פירושה קבלת אי התאמה שפוגעת ברמת הדיוק.

מחקרים קודמים סיפקו את הבעיה. מחקרים הוכיחו התפשטות לאחור באתר ומדידה של גרדיאנט ברשתות עצביות פוטוניות, ובשנת 2024 הציגו חוקרים אימון במצב קדימה באופן מלא עבור רשתות עצביות אופטיות כדי להפחית את ההסתמכות על אמולציית מודלים דיגיטליים. העבודה החדשה מרחיבה קו זה בטענה לשיטה שהיא כללית על פני ארכיטקטורות מעגלים ולא מותאמת לעיצוב אחד.

איך INSPIRE עובד

לפי המאמר, INSPIRE משתמש בהולוגרפיה סינתטית של היפוך זמן על-שבב כדי למדוד את כל השדות המורכבים של מצבים פוטוניים דו-כיווניים. מדידה זו מאפשרת למעגל עצמו לחשב שיפועים ולעדכן את הפרמטרים שלו, מבלי להידרש למודל דיגיטלי מלא של השבב.

התוצאה המעשית היא משמעותית. מכיוון שחישוב הגרדיאנט מתרחש בתוך המערכת הפיזית, ניתן לאמן טופולוגיות מעגלים מגוונות לאחר הייצור, והחומרה יכולה להתמודד עם עיצוב מטריצה, חישוב אורכי גלים ולמידה מהירה של מטה ללא העתק דיגיטלי נאמן. בזרימות עבודה קונבנציונליות, כל אחד מהשלבים הללו יהיה תלוי בדיוק סימולציה ששבבים בעולם האמיתי אינם יכולים להבטיח.

המסגרת מתוארת כטופולוגיה-אגנוסטית, כלומר היא עובדת עם עיצובים מגוונים של מעגלים אופטיים ולא עם פריסה אחת מותאמת אישית. מכיוון שהשיפועים נמדדים פיזית, ניתן לאמן את הרשת לאחר הייצור, ולספוג את פגמי הייצור שאחרת היו נחשבים כרעש.

התוצאות

המספרים המדווחים הם ספציפיים. בניסויים השיטה הניבה מטריצות מאומנות עם שגיאה יחסית של 0.26%. הצוות גם הדגים אימון במקום באמצעות פיזור מדיה עבור מטריצות גדולות ממספר האלמנטים הניתנים להתאמה במעגל - למעשה למידה עם פחות בקרות פיזיות ממה שהבעיה דורשת באופן נומינלי.

אולי הכי בולט, החוקרים הראו שמעגלים מטא-פוטונים יכולים לבצע מטה-למידת במקום, תוך שהם מתארים את מה שהם מתארים כלמידה פוטונית בצילום יחיד עם דחיסה של מודל פי 251 והאצת אימון ספציפית למשימה פי 136. התקציר הנלווה מוסיף שהחומרה משיגה עיצוב מטריצה, חישוב אורכי גלים ולמידה מטה מהירה ללא מודל דיגיטלי מלא של המעגל.

למה זה חשוב

התיאבון האנרגטי של AI הוא אחד האילוצים הדחופים ביותר בתעשייה, ומחשוב אופטי הוצע זה מכבר כדרך להפעיל כפל מטריצות - פעולת הליבה של רשתות עצביות - בהספק נמוך בהרבה ממעבדים אלקטרוניים. שבבים אופטיים של סטארט-אפים וקבוצות אקדמיות כבר הפגינו תפוקת מסקנות מרשימה. האימון, לעומת זאת, נשאר דיגיטלי: השבב מנהל את הרשת, אבל הלמידה מתרחשת ב-GPU המדמים אותה.

שיטת הדרכה מעשית במקום תסגור את הפער הזה, ותאפשר למערכות פוטוניות להסתגל למשימות חדשות בחומרה עצמה. זה גם יכול להפחית את העלות של פריסת מאיצים פוטוניים, שכן לא יהיה עוד צורך לאפיין ולפצות את השבבים בצורה מושלמת לפני השימוש. המחברים ממסגרים את העבודה כמציעה "מסלול מעשי לעבר מערכות פוטוניות אינטליגנטיות אדפטיביות ויעילות".

אזהרות

התוצאות מגיעות מהדגמות מעבדה מבוקרות, וסיכום העיתון אינו טוען למוכנות לייצור. קנה המידה של אימון על-שבב מגדלי מטריצות מוכחים לקנה המידה של רשתות עצביות גבוליות נותר אתגר הנדסי פתוח, וכך גם שילוב מכשיר המדידה - הולוגרפיה סינתטית של היפוך זמן - בחבילות קומפקטיות הניתנות לייצור המוני. פריסות בעולם האמיתי יצטרכו גם להוכיח אמינות על פני תנודות טמפרטורה והזדקנות רכיבים, תנאים שבהם ידוע שמערכות פוטוניות נסחפות.

ובכל זאת, הפרסום מסמן שינוי דגש בולט לתחום: מתכנון מעגלים פוטוניים טובים יותר ועד לתת למעגלים פוטוניים לעצב את עצמם, לפחות במובן הצר של כוונון הפרמטרים שלהם. אם עבודת מעקב משחזרת את התוצאות בקנה מידה גדול יותר, מסגרת האנרגיה עבור חומרת AI אופטית מתחזקת באופן מהותי.

המחקר הבסיסי, "למידה נוירומורפית פוטונית באמצעות השתלשלות שיפוע פיזית באתרו" מאת Tiankuang Zhou, Yun Zhao, Shanglong Li, Guocheng Shao, Ruqi Huang ו-Lu Fang, פורסם ב- Nature Computational Science.

---

Stay Ahead of AI

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

Read more AI news →