Yüksek saat hızında serbest ortam optik bellek içi hesaplama

Günlük akıllı teknolojiler için neden önemli

Otonom araçlardan teslimat drone’larına, yüksek hızlı ticaretten uzak ameliyata kadar, pek çok karar saniyenin kesirleri içinde, genellikle büyük veri merkezlerinden uzakta alınmak zorunda. Günümüz elektroniği bu tempoya ısınma veya pil tüketimi sorunları olmadan ayak uydurmakta zorlanıyor. Bu makale, temel yapay zeka görevlerini son derece hızlı ve düşük enerjiyle gerçekleştirebilen yeni bir ışık tabanlı hesaplama motoru tanıtıyor; bu da ağın “ucu”ndaki akıllı cihazların çalışma şeklini dönüştürebilir.

Işığı hesaplayıcıya dönüştürmek

Modern yapay zeka, büyük oranda tek bir temel işleve dayanır: geniş sayı tablolarını çarpıp toplamak — küçük bir şablonu resmin üzerinde tekrar tekrar kaydırıp gördüklerini saymaya benzer. Bunu çiplerde elektronlarla yapmak güçlü ama verimsizdir; çünkü veriler sürekli olarak bellek ile işlemciler arasında taşınmak zorundadır. Araştırmacılar bunun yerine FAST‑ONN adlı bir sistem kurarak işin çoğunu havada ışığın yapmasını sağlıyor. Görüntü piksellerini ışık yoğunluğu olarak kodlamak için düzenli bir ızgarada küçük yarı iletken lazerler kullanıyorlar, sonra bu ışınlar ağın “ağırlıklarını” doğrudan mekânda uygulayan optik bileşenlerden geçiyor ve sonuçlar elektrik sinyallerine dönüştürülmek üzere ışık algılayıcılarına düşüyor.

Optik motorun yapısı

Sistemin merkezinde dikey kavite yüzey emisyonlu lazerler (VCSEL) olarak bilinen yoğun mikroskobik lazer dizisi bulunuyor. 5×5’lik bir ızgaradaki her bir eleman küçük bir görüntü yamasının bir pikselini temsil ediyor ve gigahertz hızlarında—saniyede milyarlarca kez—anahtarlanabiliyor. Desenli bir cam eleman bu ışın ızgarasını birden çok kopyaya ayırıyor; böylece aynı yama birkaç farklı filtre tarafından paralel olarak işlenebiliyor. Yüksek çözünürlüklü bir ekrana benzer bir programlanabilir uzamsal ışık modülatörü, filtre değerleri için hafıza içi depolama görevi görüyor: milyonlarca küçük pikseli her biri ışığı kısmak veya geçirmek suretiyle bir sinir ağı ağırlığını temsil ediyor. Işınlar daha sonra her bir filtre için ışığı toplayan fibere bağlı dedektörlere yönlendiriliyor; bu, bir dizi konvolüsyon işlemini tek bir optik adımda tamamlamak anlamına geliyor.

Pozitif ve negatif “düşünceleri” işlemek

Yapay zeka modelleri yalnızca belirli desenleri güçlendirmekle kalmaz; diğerlerini de bastırmak zorundadır; bu da hem pozitif hem de negatif ağırlıklar gerektirir. Işık yoğunluğu doğası gereği negatif olamayacağından, bu tamamen optik hesaplama için uzun süredir devam eden bir zorluktur. Yazarlar bunu, ağırlıklandırılmış ışınları taşıyan bir sinyal yolu ile ağırlıksız bırakılan bir referans yoluna bölerek çözüyor. Her ikisi de özel eşleştirilmiş dedektör çiftlerine besleniyor ve biri diğerinden çıkarılıyor; böylece daha az ışık negatif bir katkıyı temsil edebiliyor. Bu zekice diferansiyel okuma, optik donanımın standart sinir ağlarının tam davranışını taklit etmesine izin verirken cihazlardaki gürültü ve küçük kusurlara karşı dayanıklılığını koruyor.

Sistemi teste sokmak

FAST‑ONN’un yalnızca fiziksel bir gösteri olmadığını kanıtlamak için ekip onu gerçekçi tanıma görevlerine bağlıyor. Optik motoru, nesne algılama testi için yaygın olarak kullanılan COCO görüntü veri seti üzerinde eğitilmiş standart bir görsel ağa bağlıyorlar. Bir deneyde, otonom araç senaryosunu yansıtarak trafik sahnelerinden kırpılan bölgeler her birinde bir araç olup olmadığını belirlemek için analiz ediliyor. En talepkar konvolüsyon katmanı optik donanıma devredilirken, kalan adımlar dijital olarak gerçekleştiriliyor. Optik ve tamamen elektronik model versiyonları araçları arka plan kirliliğinden ayırmada neredeyse aynı performansı gösteriyor. Ayrıca el yazısı rakam ve giysi sınıflandırması gösterimleri yapıyorlar ve optik sistemin ileri yön hesaplarını gerçekleştirdiği, bir bilgisayarın ağırlıkları güncellediği ve sonra bunların ışık modülatörüne yeniden yüklendiği eğitim senaryolarını bile gösteriyorlar.

Hız, verimlilik ve gelecek

Prototip mevcut biçimiyle 5×5 lazerler ve aynı anda dokuz filtre kullanarak saniyede 100 milyon küçük görüntü yamasını işliyor; bu, mikro saniye ölçeğinde karar süreleriyle zaten saniyede neredeyse bir milyar konvolüsyon işlemi anlamına geliyor. Ayrıntılı analizler, daha büyük diziler ve daha hızlı ticari lazerler kullanıldığında bu yaklaşımın saniyede on binlerce trilyon işlem düzeylerine ölçeklendirilebileceğini ve önde gelen elektronik hızlandırıcılardan çok daha az enerji kullanabileceğini öne sürüyor. Ana bileşenler kompakt ve kitlesel üretime uygun olduğundan, FAST‑ONN nihayetinde kameralar, drone’lar ve diğer uç cihazların içinde küçük, düşük güçlü optik yardımcı işlemciler sağlayabilir; bu sayede bu cihazlar “ışıkla düşünerek” dünyaya neredeyse değiştiği hızda yanıt verebilirler.

Atıf: 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

Anahtar kelimeler: optik sinir ağları, uç AI donanımı, VCSEL dizileri, hafıza içi hesaplama, yüksek hızlı konvolüsyon