חישוב בזיכרון אופטי חופשי-מרחב בקצב שעון גבוה

למה זה חשוב לטכנולוגיות חכמות יומיומיות

ממכוניות אוטונומיות ומטוסי משלוחים ועד מסחר מהיר וניתוחים מרחוק, יותר ויותר החלטות חייבות להתקבל בשבריר שניה, לעתים רחוקות הרחק ממרכזי הנתונים הגדולים. האלקטרוניקה של היום מתקשה לעמוד בקצב ללא התחממות יתר או בזבוז סוללה. מאמר זה מציג מנוע חישוב מבוסס-אור חדש שיכול לבצע משימות מפתח בבינה מלאכותית במהירות גבוהה ובצריכת אנרגיה נמוכה מאוד, עם פוטנציאל לשנות את אופן פעולתם של מכשירים חכמים בקצה הרשת.

להפוך אור למחשב

ה-AI המודרני נשען במידה רבה על פעולה בסיסית אחת: כפל וחיבור של רשתות גדולות של מספרים, בדומה לגלישה חוזרת של תבנית קטנה על תמונה וסיכום מה שהיא רואה. ביצוע פעולה זו באלקטרונים על שבבים עוצמתי אך בזבזני, משום שצריך לשנע נתונים כל הזמן הלוך ושוב בין הזיכרון והמעבדים. החוקרים במקום זאת בונים מערכת הנקראת FAST‑ONN שמאפשרת לאור לבצע חלק גדול מהעבודה באמצע המרחב. הם משתמשים במיקרו־לייזרים סיליקוניים מסודרים במטריצה שדרכן מקודדים פיקסלים של תמונה לפי עוצמת האור, ואז נותנים לקרניים אלה לעבור דרך רכיבים אופטיים שמיישמים את "המשקלים" של רשת עצבית ישירות במרחב, לפני שהן נופלות על גלאי אור שהופכים את התוצאות חזרה לאותות חשמליים.

כיצד בנוי מנוע האור

בלב המערכת עומד מערך צפוף של לייזרים מיקרוסקופיים הידועים כלייזרי VCSEL (vertical‑cavity surface‑emitting lasers). כל מכשיר במטריצה של 5×5 מייצג פיקסל אחד של חתיכת תמונה קטנה וניתן להחליפו במהירויות גיגהרץ — מיליארדי פעמים לשנייה. רכיב זכוכית שתוכנן במיוחד מפצל את מטריצת הקרניים לכמה עותקים, כך שהחתיכה אותה ניתן לעבד במקביל על ידי כמה פילטרים שונים. מודולטור אור מרחבי מוש programm ם — בדומה לתצוגה ברזולוציה גבוהה — משמש כאחסון בתוך־הזיכרון לערכי הפילטר: מיליוני הפיקסלים הקטנים שלו מעמעמים או מעבירים אור כדי לייצג משקל ברשת העצבית. הקרניים ואז מתרכזות לגלאים המחוברים לסיבים שמחברים וסוכמות את האור לכל פילטר, ובכך משלימות מעין אצווה של פעולות קונבולוציה בצעד אופטי אחד.

טיפול ב"מחשבות" חיוביות ושליליות

מודלים של AI לא רק מחזקים תבניות מסוימות; הם גם חייבים לדכא אחרות, מה שמצריך משקלים חיוביים ושליליים. מכיוון שעוצמת האור מטבעה לא יכולה להיות שלילית, זו בעיה ותיקה עבור חישוב אופטי טהור. המחברים פותרים זאת על ידי פיצול האור לשביל אות שמוביל את הקרניים המשוקללות ולשביל ייחוס שנשאר ללא משקל. שניהם מוזנים לגלאים זוגיים מיוחדים שמחשבים חיסור בין השניים, כך שפחות אור יכול לייצג תרומה שלילית. קריאה דיפרנציאלית חכמה זו מאפשרת לחומרה האופטית לחקות את ההתנהגות המלאה של רשתות עצביות סטנדרטיות ובו בזמן להישאר עמידה לרעש ולחסרונות קטנים במכשירים.

בדיקת המערכת בפעולה

כדי להראות ש‑FAST‑ONN אינה רק הדגמה פיזיקלית, הצוות מחבר אותה למשימות זיהוי ריאליות. הם מחברים את מנוע האור לרשת חזון סטנדרטית שאומנה על מסד הנתונים COCO, שנמצא בשימוש נרחב למבחני זיהוי עצמים. בניסוי אחד המדמה תרחיש של מכונית אוטונומית, מקטעים חוצצים של סצינות תנועה מנותחים כדי להחליט האם כל אחד מהם מכיל רכב. שכבת הקונבולוציה התובענית ביותר מועברת לחומרה האופטית, בעוד שאר השלבים רצים בצורה דיגיטלית. הגרסאות האופטית והאלקטרונית של המודל תואמות זו לזו בקירוב רב, ומשיגות ביצועים כמעט זהים בזיהוי רכבים מול הרקע. הם גם מדגימים סיווג ספרות כתובות ביד ובגדי לבוש, ואפילו מבצעים אימון שבו המערכת האופטית מחשבת העברות קדימה בזמן שמחשב מעדכן את המשקלים, שיוטענו מחדש למודולטור האור.

מהירות, יעילות ומה צפוי בהמשך

בצורתו הנוכחית, האב־טיפוס מעבד 100 מיליון חתיכות תמונה קטנות לשנייה באמצעות לייזרים 5×5 ותשעה פילטרים בו‑זמנית, וכבר מגיע לכמעט מיליארד פעולות קונבולוציה לשנייה עם זמני החלטה בקנה מידה של מיקרו־שניות. ניתוח מפורט מרמז כי בשימוש במערכים גדולים יותר ולייזרים מסחריים מהירים יותר, שיטה זו יכולה להיות מורחבת כדי לבצע עשרות אלפי טריליוני פעולות בשנייה בשימוש באנרגיה נמוכה בהרבה מאשר מאיצים אלקטרוניים מובילים. מכיוון שהרכיבים המרכזיים קומפקטיים וניתנים לייצור המוני, FAST‑ONN עשויה בסופו של דבר לאפשר מעבדי־סיוע אופטיים קטנים, בעלי צריכת חשמל נמוכה, בתוך מצלמות, רחפנים ומכשירי קצה אחרים, ולתת להם "לחשוב באור" ולהגיב לעולם כמעט באותה מהירות שהוא משתנה.

ציטוט: 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

מילות מפתח: רשתות עצביות אופטיות, חומרת בינה קצהית, מערכי VCSEL, חישוב בתוך הזיכרון, קונבולוציה מהירה