מאיצים נוירו-פוטוניים בעיצוב הופכי לחישוב אופטי זעיר מאוד

מדוע חשוב להקטין מחשבים שעובדים באור

האינטליגנציה המלאכותית המודרנית פועלת על חומרה אלקטרונית רחבת היקף שצורכת אנרגיה עצומה ומייצרת חום. המחקר הזה בוחן מסלול שונה מאוד: שימוש בתבניות אור זעירות על שבב, במקום בזרמי אלקטרונים, כדי לבצע חלקים מחישובי רשתות נוירוניות. המחברים מראים כי על־ידי "פיסול" האור בקנה מידה ננומטרי ניתן לבנות מאיצים אופטיים זעירים שמזהים ספרות כתובות ידנית ותמונות רפואיות תוך שימוש בשטח מזערי ובאופן עקרוני בצריכת אנרגיה נמוכה בהרבה מזו של האלקטרוניקה הנוכחית.

שבבים זעירים שחושבים באור

במקום חוטים וטרנזיסטורים, המאיצים האלה משתמשים בפיסת סיליקון שטוחה שמעוטרת בחורים וערוצים הקטנים מאורך גל האינפרא־אדום. הנתונים מתמונה נדחסים תחילה למערך קטן של מספרים, המוצפנים לאחר מכן כבוהק אור הנכנס לכמה גל־מיישרים צרים באורך גל טלקום יחיד. כאשר האור זורם לאזור המעוצב, הוא מפוזר, מתערב עם עצמו ומנותב לכמה גל־מיישרים יציאה. כל יציאה מקבילה למחלקה אפשרית, כגון אחת מעשר הספרות במאגר MNIST או אחת משש הקטגוריות במאגר התמונה הרפואי MedNIST. תבנית עוצמת האור ביציאות ממלאת את התפקיד של השכבה האחרונה ברשת נוירונית דיגיטלית.

לאפשר לאלגוריתמים לצייר את התוכנית האופטית

לעצב מבנה כזה באופן ידני כמעט בלתי אפשרי, מכיוון שכל "ווקסל" זעיר של חומר משנה את אופן התנהגות האור. החוקרים משתמשים במקום זאת בגישה של עיצוב הופכי: הם מתחילים מתבנית אקראית של סיליקון וזכוכית, מדמים כיצד האור מתפשט דרכה בתלת־ממד, ואז מתאימים את התבנית להקטנת פונקציית אובדן שמודדת שגיאות סיווג. הם מנצלים את הליניאריות של משוואות מקסוול—החוקים השולטים באור—כדי להפוך את האימון ליעיל. במקום לדמות כל תמונת אימון בנפרד, הם מדמים כל ערוץ קלט פעם אחת ואז משחזרים את השדות לכל התמונות כצירופים ליניאריים של השדות המחושבים מראש. טכניקה מתמטית הנקראת שיטת האדז'ונט מספקת גרדיאנטים מדויקים שמכוונים את האלגוריתם כיצד להזיז כל ווקסל כדי לשפר את הביצועים.

מסווגי תמונות זעירים בגודל גרגר חול

באמצעות האסטרטגיה הזו תכננה הקבוצה שני מאיצים ננופוטוניים על פלטפורמת סיליקון‑און‑אינזורייטור סטנדרטית. אחד, בגודל של 20 על 20 מיקרומטר בלבד, מסווג ספרות כתובות ידנית ממאגר MNIST; השני, 30 על 20 מיקרומטר, מסווג תמונות רפואיות מ‑MedNIST. בסימולציות המכשירים הזעירים השיגו דיוקים של 97.8% ו‑99.1%, בהתאמה. גרסאות עשויות של אותם עיצובים, שנבדקו עם לייזרים וחיישנים אמיתיים, הגיעו לדיוק של 89% עבור MNIST ו‑90% עבור MedNIST—מספרים מרשימים בהתחשב בגודלם הקטנטן של השבבים. המבנים האופטיים מכילים בערך 160,000 עד 240,000 פרמטרים ניתנים לאימון בתוך שטחים הקטנים מגרגר אבק, מה שמתאים לכ־400 מיליון פרמטרים למילימטר רבוע.

בנויים למהירות, יעילות וסקלאביליות

מכיוון שהמכשירים פסיביים—אין רכיבים נעים או אלמנטים שניתנים לתכנות מחדש במהלך אינפרנס—אין צורך בכיול מתמשך לאחר הייצור. "המשקלים" של הרשת הנוירונית מוטבעים בגיאומטריה של הננוסטרוקטורה, כך שהחישוב מתבצע במהירות האור עם עיבוד זיכרון‑בתוך‑הפעל: האור נכנס כשהוא מקודד ויוצא כבר מעורבב לתוצאות סיווג. גם שיטת האימון מתוכננת להיות סקלאבילית. כל צעד אופטימיזציה דורש רק מספר קבוע של סימולציות פיזיקליות מלאות שנקבע על‑פי מספר הקלטים והיציאות, לא על‑פי גודל מאגר הנתונים, וסימולציות אלה ניתנות להפצה על פני מספר יחידות עיבוד גרפי. המחברים מפרטים עוד כיצד ניתן לערום מספר ליבות אופטיות כאלו עם גלאי פוטונים ביניהן, בדומה לשכבות ברשת עמוקה, וכיצד רב־ערוציות באורכי גל או בזמן יכולה להגדיל את קצב העיבוד.

מה משמעות הדבר לחומרת AI העתידית

במילים פשוטות, עבודה זו מראה שניתן "לגדל" חתיכות מותאמות של זכוכית וסיליקון שמתנהגות כשכבות רשת נוירונית מיוחדות, וכולן בתוך שטח קטן מספיק כדי להכיל מאות או אלפים מהם על שבב יחיד. בעוד שמחשבים אופטיים מלאים עדיין רחוקים, המאיצים הננופוטוניים בעיצוב הופכי האלה יכולים להעביר חלק מהעומסים האנרגטיים הכבדים ביותר של משימות AI ממעבדים אלקטרוניים. בשילוב עם מודולטורים מהירים, גלאים ועיצוב מערכת חכם, הם מצביעים לכיוון חומרה קומפקטית וחסכונית שבה האור, ולא רק החשמל, מבצע חלק גדול מהעבודה הכבדה בלמידת מכונה.

ציטוט: 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

מילות מפתח: רשתות נוירוניות פוטוניות, ננופוטוניקה, חישוב אופטי, מאיצי חומרה, עיצוב הופכי