مسرّعات شبكات عصبية نانوفوتونية مصممة عكسياً للحوسبة الضوئية فائقة الصغر

لماذا يهم تصغير الحواسيب المصنوعة من الضوء

تعتمد الذكاء الاصطناعي الحديث على أجهزة إلكترونية ضخمة تستهلك طاقة هائلة وتولد حرارة. تستكشف هذه الدراسة مساراً مختلفاً تماماً: استخدام أنماط ضوئية دقيقة على رقاقة، بدلاً من تيارات الإلكترونات، لتنفيذ أجزاء من حسابات الشبكات العصبية. يبيّن المؤلفون أنه عن طريق «نحت» الضوء على مقياس نانوي، يمكنهم بناء مسرّعات ضوئية فائقة الصغر تتعرف على أرقام مكتوبة بخط اليد وصور طبية مع استخدام مساحة أقل بكثير ومن حيث المبدأ طاقة أقل بكثير من الأجهزة الإلكترونية الحالية.

رقاقات صغيرة تفكر بالضوء

بدلاً من الأسلاك والترانزستورات، تستخدم هذه المسرّعات قطعة مسطحة من السيليكون محفورة بحفر وقنوات أصغر من طول موجة الضوء تحت الحمراء. تُضغط بيانات الصورة أولاً إلى مجموعة صغيرة من الأرقام، ثم تُشفَّر هذه الأرقام كسطوع ضوء يدخل عبر عدة موجّهات ضيقة عند طول موجي اتصالات واحد. أثناء تدفّق هذا الضوء إلى المنطقة المنقوشة، يتشتت ويتداخل مع نفسه ويُعاد توجيهه نحو عدد قليل من الموجّهات المخرجة. كل مخرج يقابل فئة محتملة، مثل أحد الأرقام العشرة في مجموعة MNIST أو إحدى ست فئات في مجموعة الصور الطبية المسماة MedNIST. نمط القدرة الضوئية عند المخرجات يؤدي نفس دور الطبقة الأخيرة في شبكة عصبية رقمية.

ترك الخوارزميات ترسم المخطط البصري

كان تصميم مثل هذا التركيب يدوياً سيكون أمراً يكاد يكون مستحيلاً، لأن كل «فوكسل» صغير من المادة يمكن أن يغير كيفية تحرك الضوء. بدلاً من ذلك، يستخدم الباحثون نهج التصميم العكسي: يبدأون من نمط عشوائي من السيليكون والزجاج، ويُحاكون كيفية انتشار الضوء خلاله ثلاثي الأبعاد، ثم يعدّلون النمط لتقليل دالة خسارة تقيس أخطاء التصنيف. يستفيدون من خطية معادلات ماكسويل—القوانين التي تحكم الضوء—لجعل هذا التدريب فعالاً. بدلاً من محاكاة كل صورة تدريبية بشكل منفصل، يحاكون كل قناة إدخال مرة واحدة، ثم يعيدون تركيب الحقول لكل الصور كمجموعات خطية من هذه الحقول المحسوبة مسبقاً. تقنية رياضية تسمى طريقة المرافق توفر بعد ذلك تدرجات دقيقة تخبر الخوارزمية بكيفية تحريك كل فوكسل لتحسين الأداء.

مصنّفات صور مدمجة بحجم حبة رمل

باستخدام هذه الاستراتيجية، صمّم الفريق مسرّعين لشبكات عصبية نانوفوتونية على منصة سيليكون-على-العازل قياسية. أحدهما، بمساحة 20 في 20 ميكرومتر فقط، يصنّف الأرقام المكتوبة بخط اليد من مجموعة MNIST؛ والآخر، بحجم 30 في 20 ميكرومتر، يصنّف صوراً طبية من MedNIST. في المحاكاة، حققت هذه الأجهزة الصغيرة دقّة 97.8% و99.1% على التوالي. النسخ المصنعة من نفس التصاميم، المختبرة بواسطة ليزرات وكواشف حقيقية، وصلت إلى دقّة 89% لـ MNIST و90% لـ MedNIST—وهي أرقام ملحوظة بالنظر إلى صغر حجم الرقائق. البُنى البصرية تضم نحو 160,000 إلى 240,000 معلمة قابلة للتدريب في مناطق أصغر من حبة غبار، ما يعادل نحو 400 مليون معلمة لكل مليمتر مربع.

مصمَّمة للسرعة والكفاءة والتوسيع

بما أن الأجهزة سلبية—لا أجزاء متحركة أو عناصر قابلة لإعادة البرمجة أثناء الاستدلال—فلا تحتاج إلى ضبط مستمر بعد تصنيعها. «الأوزان» في الشبكة العصبية مدمجة هندسياً في شكل النانوهيكل، لذلك تحدث الحسابات بسرعة الضوء وبشكل يشابه المعالجة في الذاكرة: يدخل الضوء مشفّراً بالبيانات ويخرج وقد تم خلطه بالفعل إلى درجات فئة. كما أن طريقة التدريب مصممة لتكون قابلة للتوسع. كل خطوة تحسين تتطلب عدداً ثابتاً فقط من محاكاة الفيزياء الكاملة تحدده أعداد المداخل والمخارج، لا حجم مجموعة البيانات، ويمكن توزيع هذه المحاكيات عبر وحدات معالجة رسومية متعددة. يوضح المؤلفون أيضاً كيف يمكن تكديس عدة أنوية بصرية مماثلة مع كواشف ضوئية بينها، تماماً مثل طبقات في شبكة عصبية عميقة، وكيف يمكن للتقسيم المتعدد بالأطوال الموجية أو الزمن أن يزيد من معدل النقل.

ما الذي يعنيه هذا لأجهزة الذكاء الاصطناعي في المستقبل

بعبارات بسيطة، تُظهر هذه الدراسة أنه من الممكن «نمو» قطع مخصصة من الزجاج والسيليكون تتصرف كطبقات متخصصة لشبكات عصبية، كلها ضمن مساحة صغيرة تكفي لاحتواء مئات أو آلاف منها على شريحة واحدة. وبينما لا تزال الحواسيب الضوئية الكاملة في الأفق، يمكن أن تقوم هذه المسّرعات النانوفوتونية المصممة عكسياً بإخراج بعض الأجزاء الأكثر استهلاكاً للطاقة من أحمال عمل الذكاء الاصطناعي من المعالجات الإلكترونية. إذا ما جُمعت مع مُعدِّلات وكواشف سريعة وتصميم نظام ذكي، فإنها تشير إلى أجهزة مدمجة ومنخفضة الطاقة حيث يقوم الضوء، بدلاً من الكهرباء وحدها، بجزء كبير من العمل في التعلم الآلي.

الاستشهاد: Sved, J., Song, S., Li, L. et al. Inverse-designed nanophotonic neural network accelerators for ultra-compact optical computing. Nat Commun 17, 1059 (2026). https://doi.org/10.1038/s41467-026-68648-1

الكلمات المفتاحية: شبكات عصبية فوتونية, نانوفوتونيات, الحوسبة الضوئية, مسرّعات الأجهزة, التصميم العكسي