محققین کی ایک ٹیم نے فزیکل چپ پر براہ راست فوٹوونک انٹیگریٹڈ سرکٹس کی تربیت کے لیے ایک عمومی طریقہ کا مظاہرہ کیا ہے، یہ ایک ایسا قدم ہے جو آپٹیکل پروسیسرز کو فکسڈ، پہلے سے ڈیزائن کیے گئے ایکسلریٹر سے ہارڈ ویئر میں بدل سکتا ہے جو اس کے بننے کے بعد سیکھتا ہے۔ نیچر کمپیوٹیشنل سائنس میں شائع ہونے والے اس کام کا خلاصہ ایک ساتھی مختصر عنوان میں کیا گیا ہے جس کا عنوان ہے "فوٹونک سرکٹس قابل تربیت AI ہارڈویئر بن جاتے ہیں۔"
انسپائر کہلانے والا طریقہ - آن چپ کے لیے مختصر، سیٹو فزیکل گریڈینٹ ڈیسنٹ میں - مصنوعی ذہانت کے لیے فوٹوونک کمپیوٹنگ میں مرکزی رکاوٹوں میں سے ایک کو دور کرتا ہے: اگرچہ فوٹوونک پروسیسرز رفتار اور توانائی کی کارکردگی میں بڑے فوائد کا وعدہ کرتے ہیں، لیکن ان کی تربیت زیادہ تر ڈیجیٹل سمولیشن تک محدود رہی ہے جس کے لیے مہنگے جسمانی ماڈلنگ کی ضرورت ہوتی ہے۔ For more context on this story, see our ongoing more AI stories.
کیوں فوٹوونک AI چپس کو تربیت دینا مشکل ہے۔
آج کل زیادہ تر عصبی نیٹ ورکس کو ڈیجیٹل ہارڈ ویئر پر تربیت دی جاتی ہے، جہاں گریڈیئنٹس کو بالکل درست طریقے سے شمار کیا جا سکتا ہے۔ فوٹوونک سرکٹس مختلف ہیں: روشنی مداخلت کرتی ہے، بکھرتی ہے اور جوڑے ان طریقوں سے جن کا بالکل ماڈل بنانا مشکل ہوتا ہے، اور چھوٹے مینوفیکچرنگ تغیرات کا مطلب ہے کہ لیب میں ایک چپ شاذ و نادر ہی اپنے ڈیجیٹل جڑواں کی طرح برتاؤ کرتی ہے۔ نیٹ ورک کو آف لائن ٹریننگ دینے اور پھر پیرامیٹرز کو چپ پر منتقل کرنے کا مطلب ہے کہ ایک بے میل کو قبول کرنا جو درستگی کو کم کرتا ہے۔
پچھلی تحقیق نے اس مسئلے کو دور کردیا ہے۔ مطالعات نے فوٹوونک نیورل نیٹ ورکس میں سیٹو بیک پروپیگیشن اور تدریجی پیمائش کا مظاہرہ کیا ہے، اور 2024 میں محققین نے ڈیجیٹل ماڈل ایمولیشن پر انحصار کو کم کرنے کے لیے آپٹیکل نیورل نیٹ ورکس کے لیے مکمل طور پر فارورڈ موڈ ٹریننگ متعارف کرائی ہے۔ نیا کام ایک ایسے طریقہ کا دعوی کرتے ہوئے اس لائن کو بڑھاتا ہے جو ایک ڈیزائن کے مطابق بنائے جانے کے بجائے سرکٹ فن تعمیر میں عام ہے۔
انسپائر کیسے کام کرتا ہے۔
کاغذ کے مطابق، INSPIRE دو طرفہ فوٹوونک طریقوں کے مکمل پیچیدہ شعبوں کی پیمائش کرنے کے لیے آن چپ مصنوعی ٹائم ریورسل ہولوگرافی کا استعمال کرتا ہے۔ یہ پیمائش سرکٹ کو خود ہی گریڈینٹ کی گنتی کرنے اور اپنے پیرامیٹرز کو اپ ڈیٹ کرنے کی اجازت دیتی ہے، بغیر چپ کے مکمل ڈیجیٹل ماڈل کی ضرورت کے۔
اس کا عملی نتیجہ اہم ہے۔ چونکہ گریڈینٹ کمپیوٹیشن فزیکل سسٹم کے اندر ہوتا ہے، اس لیے من گھڑت سرکٹ ٹوپولاجیز کو فیبریکیشن کے بعد تربیت دی جا سکتی ہے، اور ہارڈویئر میٹرکس ڈیزائن، ملٹی ویو لینتھ کمپیوٹیشن اور تیز رفتار میٹا لرننگ کو بغیر کسی وفادار ڈیجیٹل ریپلیکا کے ہینڈل کر سکتا ہے۔ روایتی ورک فلو میں، ان میں سے ہر ایک قدم نقلی درستگی پر منحصر ہوگا جس کی حقیقی دنیا کے چپس ضمانت نہیں دے سکتے۔
فریم ورک کو ٹوپولوجی-ایگنوسٹک کے طور پر بیان کیا گیا ہے، مطلب یہ کہ یہ ایک ہی بیسپوک لے آؤٹ کے بجائے متنوع آپٹیکل سرکٹ ڈیزائن کے ساتھ کام کرتا ہے۔ چونکہ میلان جسمانی طور پر ماپا جاتا ہے، اس لیے نیٹ ورک کو من گھڑت بنانے کے بعد تربیت دی جا سکتی ہے، جو بہت ہی مینوفیکچرنگ خامیوں کو جذب کرتی ہے جو بصورت دیگر شور کے طور پر شمار ہوں گی۔
نتائج
رپورٹ کردہ نمبر مخصوص ہیں۔ تجربات میں، طریقہ کار نے 0.26% کی نسبتہ غلطی کے ساتھ تربیت یافتہ میٹرک حاصل کیا۔ ٹیم نے سرکٹ میں مقامی ٹیون ایبل عناصر کی تعداد سے زیادہ میٹرکس کے لیے بکھرنے والے میڈیا کے ذریعے سیٹو ٹریننگ کا بھی مظاہرہ کیا - جس مسئلے کی معمولی ضرورت ہوتی ہے اس سے کم جسمانی کنٹرول کے ساتھ مؤثر طریقے سے سیکھنا۔
شاید سب سے زیادہ حیران کن، محققین نے دکھایا کہ میٹا فوٹوونک سرکٹس سیٹو میٹا لرننگ میں کارکردگی کا مظاہرہ کر سکتے ہیں، اس بات کا احساس کرتے ہوئے کہ وہ 251 گنا ماڈل کمپریشن اور 136 گنا ٹاسک مخصوص ٹریننگ ایکسلریشن کے ساتھ سنگل شاٹ فوٹوونک لرننگ کے طور پر بیان کرتے ہیں۔ کمپینیئن بریف میں مزید کہا گیا ہے کہ ہارڈ ویئر سرکٹ کے مکمل ڈیجیٹل ماڈل کے بغیر میٹرکس ڈیزائن، ملٹی ویو لینتھ کمپیوٹیشن اور تیز رفتار میٹا لرننگ حاصل کرتا ہے۔
یہ کیوں اہمیت رکھتا ہے۔
AI کی توانائی کی بھوک صنعت کی سب سے اہم رکاوٹوں میں سے ایک ہے، اور آپٹیکل کمپیوٹنگ کو طویل عرصے سے میٹرکس ضرب کو چلانے کے طریقے کے طور پر تجویز کیا گیا ہے - نیورل نیٹ ورکس کا بنیادی آپریشن - الیکٹرانک پروسیسرز سے کہیں کم طاقت پر۔ اسٹارٹ اپس اور اکیڈمک گروپس کے آپٹیکل چپس نے پہلے ہی متاثر کن انفرنس تھرو پٹ کا مظاہرہ کیا ہے۔ تربیت، تاہم، ڈیجیٹل رہی ہے: چپ نیٹ ورک کو چلاتی ہے، لیکن سیکھنے کا عمل اس کی نقل کرتے ہوئے GPUs پر ہوتا ہے۔
سیٹو ٹریننگ کا ایک عملی طریقہ اس خلا کو ختم کر دے گا، جس سے فوٹوونک سسٹمز کو ہارڈ ویئر پر ہی نئے کاموں کے مطابق ڈھالنے دیا جائے گا۔ یہ فوٹوونک ایکسلریٹروں کی تعیناتی کی لاگت کو بھی کم کر سکتا ہے، کیونکہ چپس کو استعمال سے پہلے مکمل طور پر خصوصیات اور معاوضے کی ضرورت نہیں ہوگی۔ مصنفین نے کام کو "انکولی اور موثر ذہین فوٹوونک نظاموں کی طرف ایک عملی راستہ" پیش کرنے کے طور پر تیار کیا ہے۔
انتباہات
نتائج کنٹرول شدہ لیبارٹری کے مظاہروں سے آتے ہیں، اور کاغذ کا خلاصہ پیداوار کی تیاری کا دعوی نہیں کرتا ہے۔ مظاہرے شدہ میٹرکس سائز سے لے کر فرنٹیئر نیورل نیٹ ورکس کے پیمانے تک آن چپ ٹریننگ کو سکیل کرنا ایک کھلا انجینئرنگ چیلنج بنی ہوئی ہے، جیسا کہ پیمائش کے آلات — مصنوعی ٹائم ریورسل ہولوگرافی — کو کمپیکٹ، بڑے پیمانے پر تیار کرنے کے قابل پیکجوں میں ضم کرنا۔ حقیقی دنیا کی تعیناتیوں کو درجہ حرارت کے جھولوں اور اجزاء کی عمر بڑھنے کے درمیان بھی قابل اعتماد ثابت کرنے کی ضرورت ہوگی، ایسے حالات جہاں فوٹوونک سسٹم بڑھنے کے لیے جانا جاتا ہے۔
پھر بھی، اشاعت فیلڈ پر زور دینے میں ایک قابل ذکر تبدیلی کی نشاندہی کرتی ہے: بہتر فوٹوونک سرکٹس کو ڈیزائن کرنے سے لے کر فوٹوونک سرکٹس کو خود کو ڈیزائن کرنے دینا، کم از کم اپنے پیرامیٹرز کو ٹیوننگ کرنے کے تنگ معنی میں۔ اگر فالو اپ کام بڑے پیمانے پر نتائج کو دوبارہ پیش کرتا ہے، تو آپٹیکل AI ہارڈویئر کے لیے توانائی کا معاملہ مادی طور پر مضبوط ہو جاتا ہے۔
بنیادی مطالعہ، "فوٹونک نیورومورفک لرننگ بذریعہ جنرلائزڈ ان سیٹو فزیکل گریڈینٹ ڈیسنٹ"، تیان کوانگ ژاؤ، یون ژاؤ، شانگلونگ لی، گووچینگ شاو، روکی ہوانگ اور لو فینگ کا، نیچر کمپیوٹیشنل سائنس میں شائع ہوا ہے۔
---
Stay Ahead of AIGet the latest AI news, analysis, and breakthroughs — all in one place.
Read more AI news →
