السطح الفائق البرمجي المتعدد الوظائف القابل للتحريك لتمكين الشبكات العصبية الحافِرة القابلة لإعادة التكوين

بناء آلات أذكى بواسطة الضوء والموجات

معظم ذكاء اليوم الاصطناعي يعمل على شرائح إلكترونية تستهلك طاقة عالية. تستكشف هذه الورقة مسارًا مختلفًا تمامًا: استخدام أسطح مصممة بعناية للتفكير بواسطة موجات كهرومغناطيسية نفسها. من خلال تشكيل مسار وتشتت الموجات الدقيقة ماديًا، يبتكر الباحثون قطعة أجهزة يمكنها التعرف على الخط اليدوي، وعرض هولوغرامات، وحتى مراقبة التنفس — وكل ذلك باستخدام نفس الوحدات القابلة لإعادة الاستخدام.

مجموعة ليغو للتحكم في الموجات

في صميم العمل نوع جديد من «السطح الفائق»، لوحة رقيقة مزخرفة بالعديد من العناصر المعدنية الصغيرة التي يمكنها ثني الموجات الكهرومغناطيسية أو إبطاؤها أو نقلها بطرق دقيقة. بدلًا من تثبيت هذه العناصر بشكل دائم، استعار الفريق فكرة من الطباعة بالحروف المتحركة القديمة: كل وحدة صغيرة، أو «ذرة فوقية»، هي قطعة قابلة للفك يمكن إدخالها أو إزالتها ككتل معيارية. صمم المؤلفون ثمانية أنواع من هذه القطع، كل منها يمنح تأخير طور مختلف للموجات الدقيقة عند حوالي 14 غيغاهرتز. عن طريق تركيب مئات من هذه القطع في شبكة، يستطيعون إعادة تجميع نفس الأجهزة بسرعة إلى العديد من الأجهزة الوظيفية المختلفة، تمامًا كما يعاد ترتيب كتل الطباعة لصنع صفحة نصية جديدة.

تحويل الأسطح الفائقة إلى شبكة عصبية فيزيائية

لإظهار مدى قوة هذه الفكرة المعيارية، قام الباحثون بترتيب ثلاث من هذه اللوحات القابلة لإعادة التكوين بين قناع إدخال وسطح إخراج، مكونين ما يسمونه شبكة عصبية حافِرة قابلة لإعادة التكوين بنظام الطباعة المتحركة، أو MT-RDNN. هنا، بدلًا من الأرقام في الحاسوب، تعمل الموجات الدقيقة كالإشارة التي تتدفق عبر الطبقات. يُقطع نمط يمثل رقماً مكتوبًا يدويًا في لوحة معدنية؛ تمر الموجات الدقيقة عبر هذا القناع ثم تسافر عبر طبقات السطح الفائق الثلاث. الترتيب الدقيق للقطع في كل طبقة يُحدد بواسطة تدريب حاسوبي، مشابه للطريقة التي يُحسّن بها الشبكة العصبية التقليدية. بعد التدريب، تركز الموجات طاقتها تلقائيًا على مناطق محددة في الإخراج، بحيث يقابِل كل منطقة فئة رقمية معينة.

التكيف مع مهام جديدة عبر إعادة ترتيب القطع

ميزة أساسية لهذا النهج هي أنه يمكن إعادة توظيف الشبكة دون إعادة بنائها من الصفر. بعد تدريب الأسطح الطبقية للتعرف على أربعة أرقام مكتوبة يدويًا، يكيّف الفريق نفس الأجهزة لتصنيف أربعة أحرف إنجليزية بدلًا من ذلك. بدلاً من إعادة تكوين كل القطع، يحتفظون بالطبقتين الأوليين دون تغيير ويعدِّلون فقط جزءًا من القطع في الطبقة النهائية. باستخدام استراتيجية التعلم الانتقالي على المستوى الفيزيائي، يحافظون على معظم البنية الموجودة ويعدِّلون فقط ما هو ضروري. هذا يخفض زمن التدريب ووقتك العملي لإعادة التجميع بأكثر من ثلثي الوقت، مع تحقيق دقة تفوق 92 بالمئة في التجارب لكل من التعرف على الأرقام والأحرف.

من الهولوغرامات إلى مراقبات التنفس غير التلامسية

يثبت نفس السطح الفائق القابل للطباعة المتحركة فائدته أيضًا كلوح وظيفي مستقل. بطبقة واحدة من القطع، يولد المؤلفون هولوغرامات ميكروويف — أنماط شدة ثنائية الأبعاد تُشكل أشكالًا مثل الحرف "T" أو شعار يشبه "CM" على مستوى خلف السطح. يحسبون أفضل تكوين للقطع باستخدام خوارزمية تعتمد على التدرج تعظم التشابه بين النمط المطلوب والحقل المتوقع. في عرض آخر، يوجّهون ويُركزون الموجات الدقيقة بدقة على صدر شخص واقفٍ بالقرب من السطح. الحركات الطفيفة الناتجة عن التنفس تُعدّل الإشارة المنعكسة، والتي تُحلَّل بعد ذلك باستخدام طريقة معالجة إشارية تُعرف بتفكيك النمط التغييري (variational mode decomposition). في اختبارات مع شخصين متطوعين في مواضع مختلفة، تُعاد تكوين السطح بحيث يصبح صدر كل شخص هو البؤرة، مما يسمح بتتبع معدل التنفس بدقة دون تلامس ويطابق جهاز مرجعي قابل للارتداء.

لماذا يهم هذا للأجهزة الذكية المستقبلية

بعبارات بسيطة، تُظهر هذه الدراسة كيف يمكن لشريحة موجية واحدة قابلة لإعادة الاستخدام مكوّنة من قطع قابلة للتركيب أن تُعاد معايرتها لمهام مختلفة جدًا — التعرف على الصور، تشكيل هولوغرامات، أو استشعار العلامات الحيوية — ببساطة عن طريق إعادة ترتيب أجزائها. التكوين الميكانيكي أبطأ من تبديل المفاتيح الإلكترونية، لكن بتغيير جزء قليل فقط من القطع والاقتداء بأفكار التعلم الانتقالي، يحافظ المؤلفون على التكلفة والجهد في مستويات معقولة. يشير نهجهم إلى اتجاه أجهزة مرنة ومنخفضة الطاقة وقابلة للتكيف مع المهام تقوم ببعض عمل الذكاء الاصطناعي مباشرة في فيزياء الموجات، ما قد يفتح طرقًا لأنظمة اتصال ذكية جديدة، واجهات تفاعلية، وأجهزة مراقبة صحية.

الاستشهاد: Yu, Z., Li, X., Gu, Z. et al. Multifunctional movable-type coding metasurface enabling reconfigurable diffractive neural networks. Light Sci Appl 15, 127 (2026). https://doi.org/10.1038/s41377-026-02216-6

الكلمات المفتاحية: السطح الفائق, الحوسبة الضوئية, شبكة عصبية حافِرة, التصوير بالرواقيات (الهولوغرافي), استشعار العلامات الحيوية