استدلال الشبكات العصبية العميقة على معالج موتر بصري مدمج وقابل لإعادة التكوين

لماذا تهم آلات التفكير الأسرع

في كل مرة تفتح فيها هاتفك بوجهك، أو تتحدث إلى مساعد صوتي، أو ترى نظام ذكاء اصطناعي يكتشف أشياء في مقطع فيديو، تُجرى وراء الكواليس كميات هائلة من العمليات الحسابية. ومع نمو هذه النماذج الاصطناعية لتصبح أكبر وأكثر قدرة، فإنها تتطلب طاقة ومعدات ووقتًا أكثر. تستعرض هذه المقالة نوعًا جديدًا من «الدماغ البصري» الذي يستخدم الضوء بدلًا من الاعتماد على الكهرباء وحدها لتنفيذ هذه الحسابات الثقيلة، بهدف جعل الذكاء الاصطناعي المستقبلي أسرع وأكثر كفاءة في استهلاك الطاقة.

الضوء كطريقة جديدة للحوسبة

يقوم الذكاء الاصطناعي الحديث على الشبكات العصبية العميقة، التي تُختزل إلى تطبيقات متكررة لعمليات رياضية متشابهة على جداول كبيرة من الأرقام تُسمى موترات. اليوم تُنفَّذ هذه العمليات على شرائح إلكترونية مثل وحدات معالجة الرسوميات (GPU)، التي تقترب من حدودها في السرعة واستهلاك الطاقة. يتجه المؤلفون إلى الفوتونيات—استخدام الضوء في هياكل دقيقة على الشريحة—لأداء نفس العمليات. وبما أن الضوء يمكن أن ينتقل بسرعة وفي قنوات متعددة في آنٍ واحد، فإن المعالج البصري يمكن، من حيث المبدأ، أن يجري العديد من الحسابات بالتوازي بزمن تأخير منخفض جدًا مع تجنّب بعض خسائر الطاقة التي تعاني منها الإلكترونيات التقليدية.

بناء محرك رياضي يعمل بالضوء

صمّم الفريق معالج موتر بصري يندمج داخل حامل حاسوب قياسي بعرض 19 بوصة، ليشبه باقي معدات الخوادم. في قلبه شريحة فوتونية سيليكونية صُمِّمت بعملية تصنيع صناعية، مما يزيد من احتمالات إنتاج مثل هذه الأجهزة على نطاق واسع في المستقبل. على هذه الشريحة تُحوَّل الإشارات الكهربائية الواردة التي تمثل البيانات إلى أنماط ضوئية باستخدام معدلات خاصة. تنتقل هذه الإشارات الضوئية عبر شبكة من الأدلة الموجية الدقيقة التي تعمل كمصفوفة من الاتصالات القابلة للضبط، حيث يمكن لكل تقاطع أن يُقوّي أو يُضعف الضوء المار. في نهاية كل عمود، تُحوِّل كشفّات ضوئية مدمجة السطوع المجمع مرة أخرى إلى إشارات كهربائية تمثل ناتج ضرب مصفوفة في متجه، وهي العملية الأساسية في كثير من طبقات الشبكات العصبية.

الحفاظ على استقرار الضوء ودقة الحساب

لإمداد الشريحة بالضوء، يستخدم الباحثون مصدر ضوئي متقدم واحد يسمى «ميكروكومب»، الذي ينتج ألوانًا عديدة متباعدة بالتساوي دفعة واحدة. يعمل كل لون كقناة منفصلة تحمل جزءًا من بيانات الإدخال، مما يسمح بتقدم حسابات متعددة بالتوازي. ومع ذلك، يطرح التعامل مع إشارات ضوئية تماثلية مشكلات ضوضاء وعدم كمال. يتعامل المؤلفون مع ذلك بواسطة معايرة دقيقة: يقيسون استجابة كل معدل وكاشف، ثم يضبطون جهود التحكم ومستويات الطاقة بحيث يمثّل الوزن الرياضي المرغوب إعدادًا بصريًا محددًا. كما يعوضون التداخل بين القنوات والتشوّهات التي تُدخِلها التغليفات البصرية. ومن خلال متوسط نتائج القياسات المتكررة عند الحاجة، يمكنهم المقايضة بين بعض الوقت الإضافي ودقة أعلى.

تشغيل مهام ذكاء اصطناعي حقيقية بالضوء

لإثبات أن نظامهم ليس مجرد تجربة مختبرية، يربط الفريق المعالج الضوئي مباشرة بإطار عمل PyTorch، وهو إطار شائع للذكاء الاصطناعي. يدربون شبكتين عصبيتين للتعرّف على الصور رقميًا ثم يقومون بضبطهما الدقيق مع محاكاة نوع الضوضاء التي سيُدخِلها العتاد. وبمجرد التدريب، تعمل نفس الشبكات على المعالج الضوئي دون حاجة لإعادة تصميمها للشريحة. على مجموعة بيانات الأرقام المكتوبة يدويًا MNIST، يحقق النظام البصري نحو 98.1% دقة في وضع عالي الدقة و91% في وضع منخفض الكمون، قريبًا من القيم الأساسية الرقمية. وعلى مجموعة صور الألوان الأكثر تحديًا CIFAR-10، يصل إلى 72% دقة في وضع الدقة—أدنى من النسخة الرقمية لكنه لا يزال يظهر أداءً عمليًا في مهمة أصعب.

ما يعنيه هذا لمستقبل أجهزة الذكاء الاصطناعي

على الرغم من أن النموذج الأولي الحالي أقل كفاءة في استهلاك الطاقة من المسرعات الإلكترونية المتقدمة، فإن معظم طاقته تُستنفد في الإلكترونيات المساندة، وليس في القلب البصري نفسه. تُظهر النتائج أن معالجًا بصريًا قابلًا للبرمجة ومركبًا في رف الحاسب يمكنه إجراء معظم الجبر الخطي الثقيل في الشبكات العصبية الحقيقية، مع أداء مستقر عبر الزمن وتوازن قابل للضبط بين السرعة والدقة. ومع توسع التكنولوجيا لتشمل نوى بصرية أكبر، وطيفًا أطيافًا أكثر، ومحولات أفضل، قد تقدّم مثل هذه المعالجات الموترية الضوئية محركات ذكاء اصطناعي فائقة السرعة ومنخفضة الكمون تكمل أو في بعض الحالات تزيح العمل عن الشرائح التقليدية، مما يساعد الأنظمة المستقبلية على التعامل مع أعباء عمل الذكاء الاصطناعي المتزايدة بكفاءة أكبر.

الاستشهاد: Meyer, L., Dijkstra, J., Tebeck, S. et al. Deep neural network inference on an integrated, reconfigurable photonic tensor processor. Nat Commun 17, 3396 (2026). https://doi.org/10.1038/s41467-026-71599-2

الكلمات المفتاحية: الحوسبة الضوئية, مسرِّع الذكاء الاصطناعي البصري, الشبكات العصبية العميقة, الفوتونيات على السيليكون, معالجة الموترات