الحوسبة الضوئية في الذاكرة بمعدلات نبض عالية في المساحة الحرة

لماذا يهم هذا لتقنيات الذكاء اليومية

من السيارات الذاتية القيادة والطائرات بدون طيار لتوصيل الحزم إلى التداول عالي السرعة والجراحة عن بُعد، يجب اتخاذ المزيد من القرارات في أجزاء من الثانية، وغالبًا بعيدًا عن مراكز البيانات الكبيرة. تواجه الإلكترونيات الحالية صعوبة في مواكبة ذلك دون السخونة الزائدة أو استنزاف البطاريات. تقدم هذه الورقة نوعًا جديدًا من محركات الحوسبة القائمة على الضوء التي يمكنها أداء مهام رئيسية للذكاء الاصطناعي بسرعة فائقة وباستهلاك طاقة منخفض جدًا، ما قد يحول طريقة عمل الأجهزة الذكية على "الحافة" الشبكية.

تحويل الضوء إلى آلة حسابية

يعتمد الذكاء الاصطناعي الحديث بشكل كبير على عملية أساسية واحدة: ضرب وجمع شبكات كبيرة من الأرقام، وهو أشبه بتمرير قناع صغير فوق صورة مرارًا وتكرارًا وحساب ما يظهر. إن تنفيذ ذلك بالإلكترونات على الرقائق قوي لكن غير فعال، لأن البيانات يجب أن تُنقل باستمرار ذهابًا وإيابًا بين الذاكرة والمعالجات. بدلاً من ذلك يبني الباحثون نظامًا يُدعى FAST‑ONN يتيح للضوء القيام بجزء كبير من العمل في الهواء. يستخدمون مصابيح ليزر شبه موصلة دقيقة مرتبة في شبكة لتمثيل بكسلات الصورة كثافة ضوئية، ثم تسمح لتلك الحزم بالسفر عبر عناصر بصرية تطبّق "الأوزان" لشبكة عصبية مباشرة في الفضاء، قبل أن تهبط على مجسات ضوئية تحول النتائج مرة أخرى إلى إشارات كهربائية.

كيف يُبنى المحرك البصري

في قلب النظام توجد مصفوفة كثيفة من المصابيح الصغيرة المعروفة بمصابيح الليزر المنبعثة من سطح التجويف العمودي (VCSEL). يمثل كل جهاز في شبكة 5×5 بكسلًا لقطعة صورة صغيرة ويمكن تبديله بسرعات جيجاهيرتز—مليارات المرات في الثانية. يقوم عنصر زجاجي منقّش بتقسيم هذه الشبكة من الحزم إلى نسخ متعددة، بحيث يمكن معالجة نفس القطعة بالتوازي عبر عدة مرشحات مختلفة. يعمل معدّل ضوئي مكاني قابل للبرمجة، مماثلًا في الفكرة لشاشة عالية الدقة، كذاكرة داخلية لقيم المرشحات: فكل من ملايين بيكسلاته الصغيرة يخفف أو يمرر الضوء ليمثل وزنًا في الشبكة العصبية. ثم تتقارب الحزم إلى كواشف موصولة بألياف تجمع الضوء لكل مرشح، مما يكمل فعليًا دفعة من عمليات الالتفاف في خطوة بصرية واحدة.

معالجة "الأفكار" الإيجابية والسلبية

لا تحتاج نماذج الذكاء الاصطناعي إلى تقوية أنماط معينة فحسب؛ بل يجب أن تكبت أخرى أيضًا، وهو ما يتطلب أوزانًا موجبة وسالبة. ولأن شدة الضوء بطبيعتها لا تكون سالبة، فإن هذا يمثل تحديًا قديمًا للحوسبة البصرية الخالصة. يحل المؤلفون هذه المشكلة بتقسيم الضوء إلى مسار إشارة يحمل الحزم الموزونة ومسار مرجعي يُترك بلا وزن. يدخل كلا المسارين إلى كواشف مزدوجة خاصة تطرح أحدهما من الآخر، بحيث يمكن أن تمثل شدة أقل مساهمة سالبة. يتيح هذا القراءة التفاضلية الذكية للأجهزة البصرية محاكاة السلوك الكامل لشبكات عصبية قياسية مع البقاء متينة أمام الضوضاء والعيوب الصغيرة في المكونات.

اختبار النظام عمليًا

لإثبات أن FAST‑ONN ليس مجرد تجربة فيزيائية، يوصّله الفريق بمهام تعرف واقعية. يربطون المحرك البصري بشبكة رؤية قياسية مدرّبة على مجموعة صور COCO، المستخدمة على نطاق واسع لاختبار اكتشاف الأجسام. في تجربة توازي سيناريو سيارة ذاتية القيادة، تُحلل مناطق مقطوعة من مشاهد المرور لتحديد ما إذا كانت تحتوي كل منها على مركبة. تُحمل أغزر طبقة التلافيف إلى العتاد البصري، بينما تُنفذ الخطوات المتبقية رقميًا. تتطابق النُسخ البصرية والبحت إلكترونية من النموذج عن كثب، محققة أداءً شبه متطابق في تمييز السيارات عن الخلفية. كما يستعرضون تصنيف الأرقام اليدوية والملابس، وحتى إجراء تدريب حيث يحسب النظام البصري التمريرات الأمامية بينما يقوم كمبيوتر بتحديث الأوزان، التي تُعاد بعد ذلك إلى معدّل الضوء.

السرعة والكفاءة وماذا بعد

في شكلها الحالي، يعالج النموذج الأولي 100 مليون قطعة صورة صغيرة في الثانية باستخدام مصابيح 5×5 وتسعة مرشحات في آن واحد، محققًا بالفعل ما يقرب من مليار عملية تلافيف في الثانية مع أوقات قرار على مقياس الميكروثانية. تشير تحليلات مفصلة إلى أن استخدام مصفوفات أكبر ومصابيح تجارية أسرع يمكن أن يوسع هذا الأسلوب ليؤدي عشرات آلاف التريليونات من العمليات في الثانية مع استهلاك طاقة أقل بكثير من المسرعات الإلكترونية الرائدة. وبما أن المكونات الرئيسية مضغوطة وقابلة للتصنيع بكميات كبيرة، فقد يمكّن FAST‑ONN في نهاية المطاف معالجات ضوئية مساعدة صغيرة ومنخفضة الطاقة داخل الكاميرات والطائرات بدون طيار وأجهزة الحافة الأخرى، ما يسمح لها "بالتفكير بالضوء" والاستجابة للعالم تقريبًا بسرعة تغيره.

الاستشهاد: Liang, Y., Wang, J., Xue, K. et al. High-clockrate free-space optical in-memory computing. Light Sci Appl 15, 115 (2026). https://doi.org/10.1038/s41377-026-02206-8

الكلمات المفتاحية: الشبكات العصبية البصرية, عتاد الذكاء الاصطناعي على الحافة, مصفوفات VCSEL, الحوسبة داخل الذاكرة, الالتفاف عالي السرعة