מחשוב שדה פיזי יעל בחסכוניות גבוהה על ידי כוונון רשתות בעלות ערכים מרוכבים

מדוע הקטנת מודלים חכמים חשובה

הרבה מהטכנולוגיות הבלתי נראות שסביבנו — רשתות אלחוטיות, מכשירי הדמיה רפואיים ותצוגות הולוגרפיות — מבוססות על גלים. סימולציה ושליטה מדויקת בגלים אלה הם קריטיים, אבל כלים של בינה מלאכותית כיום יכולים להיות איטיים מאוד וצרכני אנרגיה. המחקר הזה מראה כיצד להצטמצם ולזרז באופן דרמטי מחלקה מיוחדת של מודלים שעובדים ישירות עם מידע גל, מבלי לפגוע בפרטים העדינים הנדרשים לתמונות חדות ואותות אמינים.

גלים, מספרים ומבנה חבוי

אור, קול וגלי רדיו נושאים שני אלמנטים של מידע: כמה הם חזקים ואיך השיאים שלהם מסונכרנים במרחב ובזמן. מתמטיקאים מאחדים את השניים כ"מספרים מרוכבים", שמייצגים באופן טבעי דפוסים של התאבכות ורעידות. רשתות עצביות בעלות ערכים מרוכבים מנצלות זאת על־ידי פעולה ישירה על הזוגות הללו, מה שהופך אותן לכלים חזקים למשימות כמו יצירת הולוגראמות, רדאר וניתוח אקוסטי. אך יש בעיה: הרצת מודלים כאלה בדיוק מספרי מלא יקרה בזיכרון, בחישוב ובאנרגיה, מה שמגביל את השימוש בהם במכשירים ניידים ובמערכות בזמן אמת.

מדוע קיצורי דרך רגילים שוברים מידע גל

גישה פופולרית להקטנת מודלים נקראת כימות — אחסון כל משקל והפעלה בעזרת מספר קטן של ביטים במקום מספרים בדיוק מלא. ברשתות רגילות עם ערכים ממשיים זה עובד היטב. עם זאת, רוב השיטות הקיימות מתייחסות לחלקים הממשי והדמיוני של מספרים מרוכבים כאילו היו ערוצים בלתי תלויים. זה מתעלם מהקשר ההדוק בין העוצמה והאיזון במערכות מבוססות גל. התוצאה היא שטעויות העיגול בכל חלק אינן מבוטלות או מתיישרות, ופוררות את יחס השלבים העדין שקובע איך גלים מצטרפים או מבטלים זה את זה. במונחים מעשיים, הדבר עלול להחדיר רעש לא־פיזיקלי, לטשטש הולוגראמות ולהחמיר ביצועים במערכות כמו רדאר במבחן סינתטי.

דרך חכמה יותר לעגל גלים מרוכבים

המחברים מציעים אסטרטגיה חדשה ששומרת על שתי החצאים של כל מספר מרוכב "מודעים" זה לזה בזמן הדחיסה. המסגרת שלהם כמות יחדיו את המרכיבים הממשי והדמיוני כך שטעויות העיגול מעוצבות לשמור הן על גודל והן על כיוון הערך המרוכב המשולב. הם גם מציגים סכימה אדפטיבית שמחליטה, שכבה אחרי שכבה, כמה ביטים באמת נדרשים. שכבות שנוגעות ישירות בשדות גל פיזיים שומרות על דיוק גבוה יותר, בעוד ששכבות פנימיות העובדות על תכונות מופשטות יותר יכולות להשתמש בביטים מעטים בבטחה. נוהל אימון בשני שלבים לומד תחילה את דפוס רוחב הביט האופטימלי ברשת ואז מאמן מחדש את המודל לפי הבחירות האלו כדי לשחזר את הדיוק.

הולוגראמות חדות יותר בעלות עלות נמוכה משמעותית

כדי לבחון את הרעיון, הצוות בונה רשת בעלת מספר ביטים נמוך במיוחד להולוגרפיה שנוצרת ממחשב, יישום רגיש במיוחד שבו טעויות מספריות זעירות יכולות לגרום לנקודות וקורות. העיצוב שלהם כולל מחולל פאזה, מודול להמרת שדות גל מרוכבים להולוגראמות המורכבות מפאזות בלבד, ומפצה שמפחית ארטיפקטים של תהודה שנוצרים ממודלים אופטיים לא מושלמים. מאומנת עם פונקציית איבוד שמעריכה את שדה האור המחולץ, לא רק הבדלים בפיקסלים, המערכת מענישה ישירות שגיאות שיהיו משמעותיות בסידור אופטי אמיתי. בהשוואה לרשת הולוגרפיה מובילה בשם HoloNet, המודל החדש מייצר שחזורים באיכות גבוהה יותר — כ־4 דציבלים טובים במדד איכות תמונה סטנדרטי — תוך קיצוץ החישוב בכ־99% ושימוש זיכרון כמעט בשלשה סדרי גודל פחות. ניסויים אופטייים עם הולוגראמות דו־ממדיות ותלת־ממדיות מאשרים שהמודל המדחוס עדיין מספק תמונות נקיות ומפחיתות נקודות במעבדה.

מעבר להולוגראמות: אודיו, אלחוט ורדאר

היתרונות אינם מוגבלים לאופטיקה. המחברים בוחנים את רשתות הערכים המורכבים המוכללות על שלוש משימות נוספות מבוססות גל: זיהוי דוברים מאותות אודיו, סיווג מצבי מוּדולציה אלחוטית וזיהוי מטרות בנתוני רדאר בסינתזה מאספת. בכל מקרה, המודל המרוכב המכווץ משיג דיוק קרוב לדיוק של בסיסים בדיוק מלא או אף טוב יותר, תוך שהוא מקטין את מספר פעולות הביט ואת צורכי הזיכרון בכ־80–90%. הן על מעבדים שולחניים והן על סמארטפון אנדרואיד, הגישה מספקת האצות משמעותיות על פני רשתות הולוגרפיה קודמות, ומראה שמודלים מתקדמים מבוססי גל יכולים לפעול ביעילות על הקצה ולא רק במרכזי נתונים חזקים.

מה המשמעות לעתיד טכנולוגיות הגלים

על ידי כיבוד המבנה המיוחד של מספרים מרוכבים במקום להתייחס לחלקיהם בנפרד, עבודה זו מציעה מתכון מעשי לבניית כלים קלים ויעילים של בינה מלאכותית שעדיין שומרים על הפיזיקה של גלים. סכימת הכימות המוצעת מאפשרת לרשתות בעלות ערכים מרוכבים לשמר את המידע הפאזי העדין שמאחורי הולוגראמות חדות, אודיו נקי, קישורי אלחוט אמינים ותמונות רדאר מדויקות, תוך צמצום עצום של טביעת הרגל החישובית שלהן. כתוצאה מכך, מחשוב שדות פיזיים באיכות גבוהה הופך להיות תואם יותר למכשירים ניידים ולמערכות משובצות, ופותח את הדלת לתצוגות הולוגרפיות ניידות, חיישנים חכמים וכלי מדע יעילים מבחינת אנרגיה שהתלויים בגלים.

ציטוט: Geng, Z., Li, Z., Zhou, M. et al. Ultra-efficient physical field computing by complex-valued network quantization. Nat Commun 17, 3762 (2026). https://doi.org/10.1038/s41467-026-70319-0

מילות מפתח: רשתות עצביות בעלות ערכים מרוכבים, כימות מודלים, הולוגרפיה שנוצרת ממחשב, עיבוד אותות מבוסס גל, AI בקצה