الحوسبة الضوئية النيورومورفيّة مع ذاكرة تماثلية كهرضوئية

لماذا تهم أدمغة الذكاء الاصطناعي الأسرع والأكثر كفاءة

يعتمد الذكاء الاصطناعي اليوم على رقائق حاسوبية تستهلك طاقة كبيرة وتنقل البيانات باستمرار بين الذاكرة والمعالجات. يتسبب هذا الاختناق في هدر للطاقة وبطء الأداء، لا سيما مع تزايد حجم وتعقيد نماذج الذكاء الاصطناعي. يقدم هذا البحث دائرة حاسوبية جديدة قائمة على الضوء مع ذاكرة تماثلية مدمجة، صممت لتقليل حركة البيانات بشكل كبير وجعل عتاد الذكاء الاصطناعي المستقبلي أسرع وأكثر كفاءة في استهلاك الطاقة.

الضوء كطريقة جديدة للحساب

بدلاً من الاعتماد فقط على الإلكترونات في الأسلاك المعدنية، تستخدم المعالجات الضوئية النيورومورفيّة نبضات ضوئية لحمل ودمج المعلومات، محاكاةً لكيفية تدفق الإشارات عبر شبكات الخلايا العصبية. يمكن للضوء أن يسير بعدة ألوان في الوقت نفسه عبر نفس المسار، مما يتيح موازاة ضخمة وزمن انتظار منخفض للغاية. هذا يجعل رقائق الضوئيات جذابة للعمليات الثقيلة من نوع “الضرب والجمع” التي تهيمن على الشبكات العصبية. ومع ذلك، تستخدم معظم المعالجات الضوئية الحالية أوزاناً ثابتة يجب تدريبها خارجياً على عتاد رقمي ثم نسخها، ما يقيّد قابليتها للتكيف ويترك عبئاً كبيراً على دوائر الذاكرة والتحويل التقليدية.

جلب الذاكرة إلى جانب الضوء

يعالج المؤلفون هذا التحدي بإضافة ذاكرة تماثلية بسيطة ومناسبة للمصانع مباشرةً بجانب كل جهاز بصري صغير يمثل وزن الشبكة العصبية. البلوك البنائي الأساسي لديهم هو ذاكرة تماثلية كهرضوئية ديناميكية (DEOAM): مكثف عادي متصل بحلقة مجهرية من السيليكون توجه الضوء في حلقة. يغير جهد مخزن صغير على المكثف بشكل طفيف كيفية تفاعل الحلقة مع الضوء المار، مُحدِّداً بذلك فعلياً قوة الاتصال العصبي. ولأن المكثف يمكنه الاحتفاظ بهذا الجهد لفترة قصيرة، لم تعد هناك حاجة إلى محولات رقمية‑إلى‑تماثلية متخصصة لتغذية كل حلقة باستمرار. بدلاً من ذلك، يمكن لمجموعة أصغر بكثير من المحولات تحديث العديد من الحلقات بالتتابع، بينما تحافظ الذاكرة التماثلية على القيم المبرمجة في مكانها.

كيف يعمل شريحة النموذج الأولي

صنّع الفريق دائرة ضوئية نيورومورفيّة على منصة سيليكون تجارية بدقة 90 نانومتر، مدمجاً الإلكترونيات القياسية والنانو‑ضوئيات على شريحة واحدة. بنوا مصفوفة من الرنانات الحلقية، كل منها مقترن بخانة ذاكرة سعوية خاصة بها، بالإضافة إلى مفاتيح بسيطة للكتابة والاحتفاظ أو إعادة التعيين للجهود المخزنة. عند كتابة جهد، يتغير استجابة الحلقة لضوء الليزر؛ وعندما يفصل دارة الكتابة، يبقي المكثف الجهد، ويظل الضوء "يرى" الوزن المبرمج حتى يتسرب الشحن تدريجياً. قيَس الباحثون خواص رئيسية: يمكن كتابة الذاكرة خلال عشرات النانوثواني، وتحتفظ بمعلومات قابلة للاستخدام لحوالي ألف جزء من الثانية، وتوفر تقريباً دقة تماثلية تعادل خمسة بتات. يقطع الضوء المسارات البصرية في بيكوثواني، لذا فالحساب نفسه سريع للغاية مقارنةً بالزمن الذي تبقى فيه قيم الذاكرة صالحة.

اختبار بشبكة عصبية واقعية

لفهم ماذا تعني هذه الحدود العتادية للذكاء الاصطناعي العملي، قام المؤلفون بمحاكاة كيف ستتصرف مثل هذه مجموعة الأوزان داخل شبكة صغيرة للتعرف على الصور مدرَّبة على أرقام مكتوبة يدوياً من مجموعة بيانات MNIST. خرَطوا شبكة ثلاثية الطبقات—784 مدخلًا، و50 خلية خفية، و10 مخارج—على مصفوفات واقعية من الحلقات والذواكر التماثلية، مع إدراج الضوضاء، الدقة المحدودة، زمن الاحتفاظ المنتهٍ، وعيوب أخرى. تظهر الدراسة أنه مع وجود حوالي أربعة بتات تحكم أثناء الاستدلال، وأكثر أثناء التدريب الكامل على الشريحة، يمكن للنظام أن يصل إلى دقة تصنيف تتجاوز 95 بالمئة. كما وجدوا أنه طالما أن زمن احتفاظ الذاكرة أطول بنحو 100 مرة على الأقل من الزمن الذي يستغرقه مرور مدخل واحد عبر الشبكة، تظل الدقة فوق 90 بالمئة حتى مع تسرب الأوزان ببطء. بعبارة أخرى، يمكن لأنموذج ذاكرة تماثلية قصير العمر ويتسرب قليلاً أن يظل مفيداً جداً عندما تكون عملية الحساب الضوئية سريعة للغاية.

توفير الطاقة ومقايضات التصميم

فائدة مركزية لـ DEOAM هي التخفيض الجذري في عدد محولات الرقمي‑إلى‑التماثلي. في التصاميم التقليدية، يحتاج كل وزن بصري إلى محول خاص به، لذا يزداد العدد بمربع حجم الشبكة. مع DEOAM، تُشارك المحولات عبر الصفوف أو الأعمدة، ويزداد العدد خطياً فقط. باستخدام قياسات فعلية من نموذجهم الأولي وبيانات منشورة لكنائس الذاكرة والمحولات القياسية، يقدّر المؤلفون أن مثل هذه البنية الضوئية المدمجة ذات الذاكرة التماثلية يمكن أن تقلل استخدام الطاقة بأكثر من عامل 26 مقارنة بمخططات SRAM مع محولات تقليدية. كما يحلّلون كيف تؤثر الضوضاء، حجم الدفعات أثناء التدريب، والحاجة إلى تحديثات دورية للذاكرة التماثلية على الأداء الكلّي، موضحين قواعد تصميم عملية للأنظمة كبيرة النطاق في المستقبل.

ما الذي يعنيه هذا لرقائق الذكاء الاصطناعي القادمة

بالنسبة للغير متخصصين، الرسالة الرئيسة هي أن هذا العمل يبيّن مساراً واقعياً نحو أجهزة ذكاء اصطناعي سريعة للغاية وأكثر كفاءة في استهلاك الطاقة، من خلال تمكين الضوء من إجراء الحسابات بينما تحتفظ ذواكر تماثلية بسيطة بالإعدادات. وحتى مع تلاشي هذه الذواكر ببطء، يمكن للشبكة تحمل ذلك وحتى الاستفادة من هذه "النسيان" كشكل من أشكال التنظيم (regularization)، مما يساعد على تجنب الإفراط في التعميم. من خلال نسج الذاكرة مباشرة في نسيج الشريحة البصري وخفض خطوات التحويل المكلفة، يمكن للمعالجات الضوئية النيورومورفيّة مثل هذه أن تشغّل أنظمة ذكاء اصطناعي مستقبلية تتعلم أثناء العمل، وتتكيّف مع الظروف المتغيرة، وتعمل بسرعات عالية دون فواتير طاقة هائلة كما في مراكز البيانات اليوم.

الاستشهاد: Lam, S., Khaled, A., Bilodeau, S. et al. Neuromorphic photonic computing with an electro-optic analog memory. Nat Commun 17, 2472 (2026). https://doi.org/10.1038/s41467-026-69084-x

الكلمات المفتاحية: الضوئيات النيورومورفيّة, الذاكرة التمثيلية, الحوسبة الضوئية, الذكاء الاصطناعي الموفّر للطاقة, الضوئيات على السيليكون