Ultra-kompakt optik hesaplama için tersine tasarlanmış nano-fotonik sinir ağı hızlandırıcıları

Işıkla yapılan bilgisayarların küçülmesi neden önemli

Modern yapay zeka, çok büyük elektronik donanımlar üzerinde çalışır; bunlar büyük miktarda enerji tüketir ve ısı üretir. Bu çalışma çok farklı bir yolu araştırıyor: sinir ağı hesaplamalarının bazı bölümlerini elektron akışları yerine bir çip üzerindeki küçük ışık desenleriyle gerçekleştirmek. Yazarlar, nanoskalada ışığı “oyup” şekillendirerek, el yazısı rakamları ve tıbbi görüntüleri tanıyan ultra‑kompakt optik hızlandırıcılar oluşturabildiklerini; bunun da bugünkü elektroniğe kıyasla çok daha az alana ve prensipte çok daha az enerjiye ihtiyaç duyabileceğini gösteriyor.

Işıkla düşünen minicik çipler

Bu hızlandırıcılar teller ve transistörler yerine dalga boyundan daha küçük delikler ve kanallarla desenlenmiş düz bir silisyum parçası kullanır. Bir görüntüden gelen veriler önce küçük bir sayı kümesine sıkıştırılır, ardından bu sayılar tek bir telekom dalga boyunda birkaç dar dalga kılavuzuna giren ışığın parlaklığı olarak kodlanır. Işık desenlenmiş bölgeye akarken saçılır, kendiyle girişim yapar ve birkaç çıkış dalga kılavuzuna yönlendirilir. Her çıkış, MNIST veri kümesindeki on rakamdan biri veya MedNIST adlı tıbbi görüntü setindeki altı kategoriden biri gibi olası bir sınıfa karşılık gelir. Çıkışlardaki optik güç deseni dijital bir sinir ağının son katmanının oynadığı işleve karşılık gelir.

Optik planı algoritmalara çizdirmek

Her küçük malzeme “voxel”ünün ışığın hareketini değiştirebilmesi nedeniyle böyle bir yapıyı elle tasarlamak neredeyse imkânsız olurdu. Araştırmacılar bunun yerine tersine tasarım yaklaşımı kullanır: rastgele bir silisyum ve cam deseniyle başlarlar, ışığın üç boyutta nasıl yayıldığını simüle ederler ve ardından sınıflandırma hatalarını ölçen bir kayıp fonksiyonunu azaltmak için deseni ayarlarlar. Bu eğitimi verimli kılmak için Maxwell denklemlerinin doğrusalılığından yararlanırlar—ışığı yöneten yasalar. Her eğitim görüntüsünü ayrı ayrı simüle etmek yerine, her giriş kanalını bir kez simüle eder, sonra bu önhesaplanmış alanların doğrusal kombinasyonları olarak tüm görüntülerin alanlarını yeniden oluştururlar. Eşlik eden (adjoint) yöntem adı verilen matematiksel bir teknik, algoritmanın performansı artırmak için her voxeli nasıl ittirmesi gerektiğini söyleyen kesin gradyanları sağlar.

Bir kum tanesi kadar alanda kompakt görüntü sınıflandırıcıları

Bu stratejiyi kullanarak ekip, standart bir silisyum‑üzerine‑yalıtım (silicon‑on‑insulator) platformunda iki nano‑fotonik sinir ağı hızlandırıcısı tasarladı. Biri, 20 x 20 mikrometre alanla MNIST veri kümesinden el yazısı rakamları sınıflandırıyor; diğeri 30 x 20 mikrometre ile MedNIST’ten tıbbi görüntüleri sınıflandırıyor. Simülasyonlarda bu minik aygıtlar sırasıyla %97,8 ve %99,1 doğruluk elde etti. Aynı tasarımların üretilmiş versiyonları, gerçek lazerler ve dedektörlerle test edildiğinde MNIST için %89, MedNIST için %90 doğruluğa ulaştı—çiplerin küçüklüğü göz önüne alındığında dikkat çekici oranlar. Optik yapılar yaklaşık 160.000 ila 240.000 eğitilebilir parametreyi toz tanesinden küçük alanlara sığdırıyor; bu da milimetrekare başına yaklaşık 400 milyon parametreye karşılık geliyor.

Hız, verimlilik ve ölçek için inşa edildi

Aygıtlar pasif olduğu için—çalışma sırasında hareketli parçalar veya yeniden programlanabilir elemanlar yoktur—üretildikten sonra sürekli ayarlama gerektirmezler. Sinir ağının “ağırlıkları” nanoyapının geometrisine gömülüdür; dolayısıyla hesaplama, veriler kodlanmış halde giren ışığın çıkışta sınıf skorlarına dönüştüğü, temelde bellek içi işlemle ışık hızında gerçekleşir. Eğitim yöntemi de ölçeklenebilir olacak şekilde tasarlanmıştır. Her optimizasyon adımı, veri kümesinin boyutuna değil giriş ve çıkış sayısına bağlı sabit sayıda tam fizik simülasyonuna ihtiyaç duyar ve bu simülasyonlar birden çok grafik işleme birimine dağıtılabilir. Yazarlar ayrıca, bu tür optik çekirdeklerin aralarına fotodedektörler yerleştirilerek derin bir sinir ağındaki katmanlar gibi üst üste konabileceğini ve dalga boyu ya da zamanda çoklama ile işlem hacminin artırılabileceğini özetliyorlar.

Geleceğin AI donanımı için bunun anlamı

Basitçe söylemek gerekirse, bu çalışma özel sinir ağı katmanları gibi davranan cam ve silisyum parçalarını “büyütmenin” mümkün olduğunu; bunların her birinin tek bir çip üzerinde yüzlerce veya binlercesinin sığacağı kadar küçük bir alanda tasarlanabileceğini gösteriyor. Tam optik bilgisayarlar hâlâ ufukta olsa da, bu tersine tasarlanmış nano‑fotonik hızlandırıcılar yapay zekanın en çok enerji tüketen bazı kısımlarını elektronik işlemcilerden uzaklaştırabilir. Hızlı modülatörler, dedektörler ve akıllı sistem tasarımı ile birleştirildiğinde, elektriğin tek başına değil ışığın da makine öğrenimindeki ağır işleri üstlendiği, kompakt ve düşük güçlü donanımlara işaret ederler.

Atıf: 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

Anahtar kelimeler: fotonik sinir ağları, nano-fotonik, optik hesaplama, donanım hızlandırıcıları, tersine tasarım