Karmaşık değerli ağ kuantizasyonu ile ultra-verimli fiziksel alan hesaplaması

Akıllı modelleri küçültmenin önemi

Çevremizdeki birçok görünmez teknoloji—kablosuz ağlar, tıbbi tarayıcılar ve holografik ekranlar—dalgalara dayanır. Bu dalgaları doğru biçimde simüle etmek ve kontrol etmek hayati önemdedir; ancak günümüz yapay zeka araçlarıyla bunu yapmak genellikle çok yavaş ve enerji tüketimi yüksek olur. Bu çalışma, dalga bilgisiyle doğrudan çalışan özel bir yapay zeka sınıfını keskin görüntüler ve güvenilir sinyaller için gerekli ayrıntılardan ödün vermeden önemli ölçüde küçültüp hızlandırmanın yolunu gösteriyor.

Dalgalar, sayılar ve gizli yapı

Işık, ses ve radyo dalgaları iki tür bilgi taşır: ne kadar güçlü oldukları ve tepe noktalarının uzayda ve zamanda nasıl hizalandığı. Matematikçiler bunları doğal olarak “karmaşık sayılar” olarak paketler; bu yapı girişim ve titreşim gibi desenleri tanımlamak için uygundur. Karmaşık değerli sinir ağları bu ikili nicelikler üzerinde doğrudan işlem yaparak hologram oluşturma, radar ve akustik analiz gibi görevlerde güçlü araçlar sunar. Ancak bir sorun vardır: bu tür modelleri tam sayısal hassasiyette çalıştırmak bellek, hesaplama ve enerji açısından maliyetlidir; bu da taşınabilir cihazlar ve gerçek zamanlı sistemlerde kullanımını sınırlıyor.

Standart kestirmeler neden dalga bilgisini bozuyor

Yapay zeka modellerini inceltmenin popüler bir yöntemi kuantizasyondur—her ağırlık ve aktivasyonu tam hassasiyetli sayılar yerine sadece birkaç bitle depolamak. Gerçek değerli ağlarda bu yöntem oldukça iyi işler. Ancak mevcut yöntemlerin çoğu karmaşık sayının reel ve imajiner bileşenlerini bağımsız kanallar gibi ele alır. Bu, dalga tabanlı sistemlerde güç ve hizalanma arasındaki sıkı bağı göz ardı eder. Sonuç olarak, her bir parçadaki yuvarlama hataları artık birbirini iptal etmez veya uyum sağlamaz; bu da dalgaların nasıl toplandığını veya iptal edildiğini belirleyen hassas faz ilişkilerini karıştırır. Pratikte bu, fiziksel olmayan gürültü, holografik görüntülerde bulanıklık ve sentetik açıklıklı radar gibi sistemlerin performansında bozulma olarak ortaya çıkabilir.

Karmaşık dalgaları daha akıllıca yuvarlama

Yazarlar, sıkıştırma sırasında her karmaşık sayının iki yarısını birbirinin "farkında" tutan yeni bir strateji öneriyor. Çerçeveleri, reel ve imajiner bileşenleri ortak şekilde kuantize ederek yuvarlama hatalarının birleşik karmaşık değerin hem büyüklüğünü hem de yönünü koruyacak şekilde biçimlenmesini sağlıyor. Ayrıca katman katman kaç bit gerektiğini belirleyen uyarlamalı bir şema tanıtıyorlar. Fiziksel dalga alanlarına doğrudan dokunan katmanlar daha yüksek hassasiyeti korurken, daha soyut özelliklerle çalışan derin katmanlar daha az bit kullanabilir. İki aşamalı bir eğitim prosedürü önce ağ genelinde ideal bit genişliği desenini öğreniyor, sonra bu seçimleri kullanarak modeli yeniden eğitip doğruluğu geri kazanıyor.

Maliyetinin küçük bir kısmıyla daha keskin hologramlar

Fikirlerini test etmek için ekip, nümerik hataların lekelenme ve yapaylıklar yaratabildiği son derece hassas bir uygulama olan bilgisayar tarafından oluşturulan holografi için ultra-düşük-bitli bir ağ kuruyor. Tasarımları, bir faz üreteci, karmaşık dalga alanlarını sadece faz içeren hologramlara dönüştüren bir modül ve kusurlu optik modellerin neden olduğu halkalanma (ringing) artifaktlarını azaltan bir kompansatörü içeriyor. Sadece piksel farklarını değil, yayılan ışık alanını değerlendiren bir kayıp fonksiyonuyla eğitilen sistem gerçek optik düzeneklerde önemli olacak hataları doğrudan cezalandırıyor. Önde gelen bir hologram ağı olan HoloNet ile karşılaştırıldığında yeni model, standart bir görüntü kalite ölçüsünde yaklaşık 4 desibel daha iyi yeniden yapılandırmalar üretiyor; aynı zamanda hesaplamayı yaklaşık %99 oranında, bellek kullanımını ise neredeyse üç mertebe azaltıyor. İki- ve üç boyutlu hologramlarla yapılan optik deneyler, sıkıştırılmış modelin laboratuvarda hâlâ temiz, leke azaltılmış görüntüler verdiğini doğruluyor.

Hologramların ötesinde: ses, kablosuz ve radar

Yararlar optik ile sınırlı değil. Yazarlar, kuantize edilmiş karmaşık değerli ağlarını üç başka dalga tabanlı görevde test ediyor: ses sinyallerinden konuşmacı tanıma, kablosuz modülasyon modlarını sınıflandırma ve sentetik açıklıklı radar verilerinde hedef tanıma. Her durumda, kuantize karmaşık model doğruluğu tam hassasiyetli kıyaslara yakın ya da daha iyi elde ediyor; aynı zamanda bit işlemleri ve bellek gereksinimlerini yaklaşık %80–90 azaltıyor. Hem masaüstü işlemcilerde hem de bir Android akıllı telefonda bu yaklaşım önceki holografi ağlarına kıyasla büyük hızlanmalar sağlıyor; bu da ileri dalga tabanlı yapay zeka modellerinin yalnızca güçlü veri merkezlerinde değil, uçta da verimli çalışabileceğini gösteriyor.

Geleceğin dalga teknolojileri için ne anlama geliyor

Karmaşık sayıların parçalarını ayrı ayrı ele almak yerine onların özel yapısını gözeterek, bu çalışma dalgaların fiziğine saygı gösteren hafif, verimli yapay zeka araçları inşa etmek için pratik bir tarif sunuyor. Önerilen kuantizasyon şeması, karmaşık değerli ağların keskin hologramların, temiz sesin, güvenilir kablosuz bağlantıların ve hassas radar görüntülerinin temelini oluşturan ince faz bilgisini korumasına izin verirken hesaplama yükünü ciddi şekilde azaltıyor. Sonuç olarak yüksek doğruluklu fiziksel alan hesaplaması, taşınabilir holografik ekranlar, daha akıllı sensörler ve dalgalara dayanan enerji-verimli bilimsel cihazlar gibi mobil ve gömülü sistemlerle daha uyumlu hale geliyor.

Atıf: 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

Anahtar kelimeler: karmaşık değerli sinir ağları, model kuantizasyonu, bilgisayar tarafından oluşturulan holografi, dalga tabanlı sinyal işleme, uç AI