הסקת מסקנות ברשתות נוירונים עמוקות על מעבד טנסורים פוטוני משולב ומתכונן

מדוע מכונות המחשבה המהירות חשובות

בכל פעם שאתה פותח את המכשיר שלך בעזרת זיהוי פנים, מדבר עם עוזרת קולית, או רואה מערכת בינה מלאכותית מזהה עצמים בווידאו, מאחורי הקלעים מתבצעת כמות עצומה של חישובים. ככל שמודלים של בינה מלאכותית גדלים והופכים ליעילים יותר, הם דורשים יותר אנרגיה, יותר חומרה ויותר זמן. מאמר זה בוחן סוג חדש של "מוח אופטי" שמשתמש באור במקום אך ורק בחשמל לביצוע החישובים הכבדים הללו, במטרה להפוך את הבינה המלאכותית העתידית למהירה וחסכונית יותר באנרגיה.

האור כנשק חישובי חדש

הבינה המלאכותית המודרנית מונעת על ידי רשתות נוירונים עמוקות, שניתן לתמצת אותן כיישום חוזר של פעולות מתמטיות דומות על טבלאות גדולות של מספרים, הנקראות טנסורים. כיום פעולות אלה רצות על שבבי אלקטרוניקה כגון GPU, אשר מתקרבים להגבלות מהירות וצריכת אנרגיה. המחברים נרתעים לפוטוניקה — שימוש באור במבנים זעירים על השבב — כדי לבצע את אותן פעולות. כיוון שאור יכול לנוע במהירות ובמספר ערוצים בו‑זמנית, מעבד פוטוני יכול, עקרונית, לבצע חישובים רבים במקביל עם זמני השהייה נמוכים ולהימנע מחלק מאובדני האנרגיה שמאפיינים את האלקטרוניקה הקונבנציונלית.

בנייה של מנוע מתמטי מונע אור

הצוות תכנן מעבד טנסורים פוטוני שמתאים למדף מחשבים סטנדרטי בגודל 19 אינץ', מה שהופך אותו לדומה לחומרת שרתים אחרת. בלבו שבב פוטוניקה על סיליקון המיוצר בתהליך תעשייתי, מה שמגביר את הסבירות שמכשירים כאלה יוכלו בסופו של דבר להיוצר בקנה מידה. על השבב, אותות חשמליים נכנסים שמייצגים נתונים מומרצים לדפוסי אור באמצעות מודלטורים מיוחדים. אותות האור האלה עוברים ברשת של גידרי גלונים זעירים הפועלים כמו מטריצה של חיבורים מתכווננים, כאשר כל צומת יכול להחזק או להחליש את עוצמת האור העוברת. בסוף כל עמודה חיישני אור מובנים ממירים את העוצמה המשולבת חזרה לאותות חשמליים המתאימים לתוצאת כפל מטריצה‑וקטור, הפעולה המרכזית ברבות משכבות רשת הנוירונים.

שמירה על יציבות האור ודיוק המתמטיקה

כדי להזין את השבב, החוקרים משתמשים במקור אור מתקדם יחיד הנקרא מיקרוקומב, המייצר בו‑זמנית צבעים רבים המרווחים באופן אחיד. כל צבע משמש כערוץ נפרד שנושא חלק מהקלט, מה שמאפשר חישובים מרובים להתבצע במקביל. עם זאת, עבודה עם אותות אור אנלוגיים מציגה רעש וחסרונות. המחברים מתמודדים עם זאת באמצעות כוונון מדוקדק: הם מודדים כיצד כל מודלטור וגלאי מגיבים, ולאחר מכן מתאימים את מתחי השליטה ורמות ההספק כך שמשקל מתמטי רצוי יתאים להגדרה אופטי ספציפית. הם גם מפצים על דחיפה בין ערוצים ועל עיוותים המועברים על‑ידי האריזה האופטית. באמצעות ממוצע של מדידות חוזרות כשנדרש, ניתן לסחור בזמן נוסף בשיפור הדיוק.

הרצת משימות בינה מלאכותית אמיתיות באמצעות אור

כדי להראות שהמערכת שלהם אינה סתם סקרנות מעבדתית, הצוות מחבר את המעבד הפוטוני ישירות ל‑PyTorch, מסגרת תוכנה נפוצה בבינה מלאכותית. הם מאמנים שתי רשתות לזהוי תמונות באופן דיגיטלי ואז מכווננים אותן תוך כדי דימוי סוג הרעש שיישום החומרה יגרום. לאחר האימון, אותן רשתות רצות על המעבד הפוטוני ללא צורך בעיצוב מחדש עבור השבב. במאגר הנתונים הפשוט של ספרות כתובות ביד MNIST, המערכת האופטית משיגה כ־98.1% דיוק במצב רזולוציה גבוה ו‑91% במצב זמן‑בינוני נמוך, קרוב לקו היסוד הדיגיטלי. במאגר הצבעים המאתגר יותר CIFAR‑10, היא מגיעה ל‑72% דיוק במצב דיוק — נמוך יותר מהגרסה הדיגיטלית אך עדיין מציג ביצוע מעשי במשימה קשה יותר.

מה משמעות הדבר לעתיד חומרת הבינה המלאכותית

למרות שהאב‑טיפוס הנוכחי חסכוני פחות באנרגיה מאשר מאיצים אלקטרוניים מהשורה הראשונה, רוב צריכת ההספק שלו מוקדשת באלקטרוניקה התומכת, לא בליבת האופטי עצמה. התוצאות מראות שמעבד פוטוני הניתן לתכנות, המותאם למדף, יכול לבצע כמעט את כל האלגברה הלינארית הכבדה ברשתות נוירונים אמיתיות, עם ביצועים יציבים לאורך זמן ואיזון לכיול בין מהירות לדיוק. ככל שהטכנולוגיה תתרחב לליבות אופטיות גדולות יותר, אורך גל רב יותר וממירים משופרים, מעבדי טנסורים מבוססי אור כאלה עשויים להציע מנועי בינה מלאכותית מהירים מאוד ובעלי השהייה נמוכה שישלימו או, במקרים מסוימים, ישחררו עומס מעבודה של שבבים קונבנציונליים, ובכך יעזרו למערכות עתידיות להתמודד ביעילות עם עומסי עבודה הולכים וגדלים של בינה מלאכותית.

ציטוט: 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

מילות מפתח: חישוב פוטוני, מאיץ בינה מלאכותית אופטי, רשתות נוירונים עמוקות, פוטוניקה על סיליקון, עיבוד טנסורים