מחשוב פוטוני נאורומורפי עם זיכרון אנלוגי אלקטרו-אופטי

מדוע חשובים “מוחות” של בינה מלאכותית מהירים ויעילים יותר

הבינה המלאכותית של היום פועלת על שבבים צורכי־אנרגיה שנעים בהם נתונים כל העת בין זיכרון למעבדים. פקקי התנועה הללו מבזבזים אנרגיה ומאט את הפעולה, במיוחד כשהמודלים גדלים ומסובכים יותר. המחקר במאמר זה מציג מעגל מחשוב מבוסס־אור עם זיכרון אנלוגי מובנה, שנועד לצמצם את תנועת הנתונים ולעשות את ציוד החומרה העתידי של בינה מלאכותית גם מהיר יותר וגם חסכוני בהרבה באנרגיה.

האור כדרך חדשה לחשב

במקום להסתמך רק על אלקטרונים בכבלים מתכתיים, מעבדי פוטוניקה נאורומורפית משתמשים בפולסי אור לשאת ולשלב מידע, ומדמים את אופן זרימת האותות ברשתות של נוירונים. האור יכול לנוע בצבעים רבים יחד באותו נתיב, מה שמאפשר פרלליות עצומה ולהשהייה נמוכה מאוד. זה הופך שבבי פוטוניקה לאטרקטיביים עבור פעולות ה"כפל וחיבור" הכבדות ששולטות ברשתות נוירונים. עם זאת, ברוב המעבדים הפוטוניים הקיימים המשקלים קבועים וצריכים להיות מאומנים במקום אחר על חומרה דיגיטלית ואז מועתקים. זה מגביל את היכולת להתאים בזמן אמת ומשאיר עדיין עומס גדול על מעגלי זיכרון והמרה רגילים.

להביא את הזיכרון קרוב לאור

המחברים מתמודדים עם הבעיה על ידי הוספת זיכרון אנלוגי פשוט וידידותי לייצור לצד כל רכיב אופטי קטן המייצג משקל ברשת הנוירונית. בלוק הבנייה המרכזי שלהם הוא זיכרון אנלוגי דינמי אלקטרו-אופטי (DEOAM): קבל רגיל המחובר לטבעת מיקרוסקופית בסיליקון שמנחה אור בלולאה. מתח קטן המאוחסן על הקבל משנה במעט את האינטראקציה של הטבעת עם האור העובר, ובכך קובע בפועל את עוצמת החיבור הנוירוני. מאחר שהקבל יכול להחזיק מתח לזמן קצר, ממירי־דיגיטל-לאנלוג לא נדרשים עוד להניע כל טבעת כל העת. במקום זאת, סט קטן הרבה יותר של ממירים יכול לעדכן רבות מהטבעות ברצף, בעוד שהזיכרון האנלוגי משמר את הערכים המתוכנתים.

כיצד השבב הפרוטוטיפ עובד

הצוות ייצר מעגל פוטוני נאורומורפי בפלטפורמת סיליקון מסחרית ברוחב 90 ננומטר, ושילב אלקטרוניקה סטנדרטית וננופוטוניקה על אותו שבב. הם בנו מערך של ממירי תהודה טבעתיים, כל אחד מזווג עם תא זיכרון קיבולי משלו, בתוספת מתגים פשוטים לכתיבה, שמירה או אפסון המתחים המאוחסנים. כשכתיבה מתבצעת, תגובת הטבעת לאור הלייזר משתנה; כשהמעגל כותב ניתק, הקבל שומר על המתח, והאור עדיין "רואה" את המשקל המתוכנת עד שהמטען דולף לחלוטין בהדרגה. החוקרים מדדו תכונות מפתח: הזיכרון ניתן לכתיבה בעשרות ננוסטריות, שומר מידע שימושי למשך כאלףית השנייה, ומציע כ־חמש ביטים של דיוק אנלוגי. האור עובר במסלולים האופטיים בפיקו־שניות, כך שהחישוב עצמו מהיר מאוד יחסית לזמן שבו ערכי הזיכרון נשארים תקפים.

בדיקה עם רשת נוירונים מציאותית

כדי להבין מה מגבלות החומרה הללו משמעותיות עבור בינה מעשית, המחברים סימולו כיצד בנק משקלים כזה יתנהג בתוך רשת קטנה לזיהוי תמונות שאומנה על ספריית הספרות הכתובה MNIST. הם מיפו רשת תלת‑שכבתית — 784 קלטים, 50 נוירונים חבויים ו‑10 יציאות — למערכים ריאליסטיים של טבעות וזיכרונות אנלוגיים, כולל רעש, דיוק מוגבל, זמן שמירה סופי ותקלות נוספות. הממצא מראה כי עם לפחות כארבעה ביטי בקרה בזמן הסקה, ובעוד יותר בזמן אימון מלא על השבב, המערכת עדיין יכולה להגיע לדיוק סיווג העולה על 95 אחוז. הם גם מצאו שכל עוד זמן השמירה של הזיכרון הוא לפחות פי 100 ארוך יותר מהזמן שלוקח לקלט אחד לעבור דרך הרשת, הדיוק נשאר מעל 90 אחוז אף על פי שהמשקלים "נוזלים" לאט. במילים אחרות, זיכרון אנלוגי קצר־ימים ודולף יכול עדיין להיות שימושי מאוד כשהחישוב הפוטוני כל כך מהיר.

חיסכון באנרגיה ותיקוני עיצוב

יתרון מרכזי של DEOAM הוא הקטנה משמעותית במספר ממירי דיגיטל-לאנלוג. בעיצובים מסורתיים, כל משקל אופטי צריך ממיר משלו, ולכן המספר גדל בריבוע של גודל הרשת. עם DEOAM, ממירים משותפים לשורות או לעמודות, והמספר גדל בקירוב באופן ליניארי בלבד. בשימוש במדידות אמיתיות מהפרוטוטיפ שלהם ונתונים מפורסמים לזיכרון ולמעגלי המרה סטנדרטיים, המחברים מעריכים כי ארכיטקטורה פוטונית עם זיכרון אנלוגי משולב כזו יכולה לחתוך את צריכת ההספק ביותר מ־26 פעמים לעומת סכמות מסורתיות של SRAM בתוספת ממירים. הם גם מנתחים כיצד רעש, גודל האצווה במהלך אימון והצורך ברענון תקופתי של הזיכרון האנלוגי משפיעים על הביצועים הכוללים, ומציינים כללי תכנון מעשיים למערכות בקנה מידה גדול בעתיד.

מה זה אומר לשבבי בינה מלאכותית עתידיים

ללא מומחיות עמוקה, המסר העיקרי הוא שעבודה זו מראה נתיב ריאליסטי לעבר חומרת בינה מלאכותית שהיא גם מהירה מאוד וגם חסכונית מאוד באנרגיה, על ידי כך שהיא נותנת לאור לבצע את חישובי המתמטיקה בזמן שזיכרונות אנלוגיים פשוטים שומרים על ההגדרות. אף על פי שהזיכרונות הללו דוהים לאט, הרשת יכולה לסבול ואף לנצל את ה"שכחה" הזו כצורת רגולריזציה, שעוזרת להימנע מ־overfitting. על ידי שילוב הזיכרון ישירות ברקמת השבב האופטית והפחתה חדה בשלבי ההמרה היקרים, מעבדים פוטוניים נאורומורפיים כגון אלו יכולים להניע מערכות בינה מלאכותית עתידיות שלומדות על הִרְגָשׁ, מסתגלות לתנאים משתנים ופועלות במהירות גבוהה ללא החשבונות האנרגטיים העצומים של מרכזי הנתונים של היום.

ציטוט: 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

מילות מפתח: פוטוניקה נאורומורפית, זיכרון אנלוגי, מחשוב אופטי, בינה מלאכותית חסכונית באנרגיה, פוטוניקה בסיליקון