با گسترش روزافزون کاربردهای هوش مصنوعی، نیاز به افزایش سرعت، کارایی و صرفهجویی در مصرف انرژی، به یک چالش کلیدی در طراحی سختافزارهای محاسباتی تبدیل شده است. شبکههای عصبی کانولوشنی (Convolutional Neural Networks) یا به اختصار (CNN)، که نقشی حیاتی در تشخیص تصویر، پردازش زبان طبیعی و سیستمهای خودران ایفا میکنند، به شدت به قدرت محاسباتی بالا وابستهاند. در این شرایط، محققان به فناوری فوتونیک روی آوردهاند که قرنهاست شناخته شده، اما در این سطح از کاربرد، تقریباً دستنخورده باقی مانده است.
در سال 2023 مقالهای در نشریه Intelligent Computing منتشر شده که به معرفی معماریهای نوآورانهای از شتابدهندههای فوتونیکی میپردازد. این معماریها، شیوهای انقلابی برای پردازش شبکههای عصبی کانولوشنی (CNN) ارائه میدهند. با بهرهگیری از سرعت بالا و بهرهوری انرژی فناوری فوتونیکی، این سیستمهای غیرمرسوم میتوانند محاسبات عصبی را با سرعت و کارایی بسیار بالاتر از محدودیتهای فناوریهای الکترونیکی انجام دهند.
در این مقاله، به بررسی سیستمهای محاسبات نورومورفیک فوتونیکی، نحوه عملکرد آنها، کاربردهای آن در زمینههایی مانند بینایی ماشین و هوش مصنوعی و همچنین چالشهای موجود در مسیر توسعه این فناوری نوظهور میپردازیم.
چرا محاسبات فوتونیکی برای CNNها ضروری است؟
شبکههای عصبی کانولوشنی از مهمترین مدلهای هوش مصنوعی هستند که در زمینههای مختلف، بهویژه بینایی ماشین مانند تشخیص تصویر، شناسایی اشیاء و بخشبندی تصویر، تحولی اساسی ایجاد کردهاند. این شبکهها با الهام از سازوکار بینایی مغز انسان طراحی شدهاند تا بتوانند بهصورت خودکار، نمایشهای سلسلهمراتبی را از دادههای ورودی یاد بگیرند.
افزایش عمق شبکه و تعداد پارامترهای قابل آموزش معمولاً به بهبود عملکرد مدل منجر میشود، اما این بهبود با هزینه بالای مصرف انرژی و افزایش نیاز حافظه همراه است. در بسیاری از کاربردهای پردازش تصویر، مراحل کانولوشن شبکه بیش از ۸۰٪ از کل مصرف انرژی را به خود اختصاص میدهند.
برای پاسخگویی به این نیاز، شرکتها و محققان تلاش میکنند از موازیسازی و محاسبات چندتراشهای بهرهبرداری کنند. ولی این روش، مصرف انرژی را بهطور چشمگیری افزایش میدهد که از نظر هزینه و تأثیرات زیستمحیطی در مقیاسهای بزرگ، مشکلساز است. بنابراین اخیرا دانشمندان به فکر استفاده از راهحلهای جایگزین مثل محاسبات نورومورفیک فوتونیکی افتادهاند که میتوانند مصرف انرژی را بهطور چشمگیری کاهش داده و عملکرد سیستمهای محاسباتی پیچیده را بهبود بخشند.
سیستم محاسبات نورومورفیک فوتونیکی چیست؟
همانطور که پیشتر اشاره شد، در محاسبات نورومورفیک سنتی، اطلاعات بهصورت سیگنالهای الکتریکی در مدارهای دیجیتال پردازش میشوند. این رویکرد، هرچند دقیق و انعطافپذیر است، اما با چالشهایی مانند تولید گرما، مصرف انرژی بالا و محدودیت در سرعت مواجه است. در مقابل، سیستم محاسبات نورومورفیک فوتونیکی، چارچوبی محاسباتی است که به جای الکتریسیته، از نور برای پردازش اطلاعات استفاده میکند. این سیستم با هدایت نور از طریق موجبرها، مدولاتورها و آی سی های فوتونیکی (PICs) آی سی های فوتونیکی (PICs)، امکان پردازش موازی و انتقال فوق سریع سیگنالها را فراهم میسازد. نور میتواند با سرعتی بسیار بالا، در طیف گستردهای از طول موجها، بهصورت همزمان و موازی حرکت کند. این ویژگی امکان اجرای عملیات سنگین مانند کانولوشن را با مصرف انرژی اندک و در زمان بسیار کوتاه فراهم میکند. این مزایا باعث شدهاند که محاسبات نورومورفیک فوتونیکی گزینهای امیدبخش برای هوش مصنوعی، یادگیری عمیق و پردازش بلادرنگ دادهها باشند.
سیستمهای نورومورفیک فوتونیکی چگونه کار میکنند؟
سیستمهای نورومورفیک فوتونیکی بر پایه آی سی های فوتونیکی (PIC) بنا شدهاند. این مدارها شامل نورونهای نوری، مدولاتورها، حافظهها و آشکارسازهای نوری هستند که همگی بهصورت فشرده در یک تراشه ادغام شدهاند. برخلاف مدارهای الکترونیکی که از الکترونها استفاده میکنند، PICها از فوتونها بهره میبرند، که این موضوع امکان انجام محاسبات با سرعت بالا و حداقل اتلاف انرژی را فراهم میسازد.
فوتونها با سرعتی نزدیک به سرعت نور درون این مدارها حرکت کرده و اطلاعات را با تأخیر زیر نانوثانیه پردازش میکنند. یکی از مزایای کلیدی PICها توانایی عملکرد موازی آنهاست، بهطوریکه چندین سیگنال میتوانند به طور مستقل از طریق طول موجها و قطبشهای مختلف بدون تداخل حرکت کنند.
تحقیقات اخیر نشان دادهاند که پردازندههای نورومورفیک فوتونیکی میتوانند به نرخ ۱۶ پتا عملیات بر ثانیه (POPS/s) برسند، در حالی که مصرف انرژی آنها کمتر از ۲ وات است. این میزان توان پردازشی بسیار فراتر از توان سختافزارهای رایج است.
کاربردهای محاسبات نورومورفیک فوتونیکی
با پیشرفت فناوری محاسبات نورومورفیک فوتونیکی، این حوزه نهتنها در آزمایشگاهها بلکه در کاربردهای عملی نیز جایگاه ویژهای پیدا کرده است. ترکیب سرعت و پهنای باند بالای نور با معماریهای الهامگرفته از مغز انسان، امکان پردازش دادهها را با مصرف انرژی بسیار کمتر و در زمان بسیار کوتاهتری فراهم میکند. این ویژگیها باعث شدهاند تا این فناوری در زمینههایی مانند ارتباطات نوری، هوش مصنوعی و بینایی ماشین بهسرعت مورد توجه قرار گیرد. در ادامه، به بررسی برخی از کاربردهای برجسته این فناوری میپردازیم.
ارتباطات نوری
یکی از زمینههای کلیدی کاربرد این فناوری در سیستمهای ارتباطات نوری است. علاوه بر انتقال سیگنال و تصحیح کانال، سیستمهای نورومورفیک فوتونیکی در شناسایی هدرهای نوری و بازیابی دادهها عملکرد بهتری دارند و باعث افزایش سرعت و کارایی در پردازش سیگنالهای نوری با پهنای باند بالا میشوند.
هوش مصنوعی و یادگیری عمیق
افزایش پیچیدگی الگوریتمهای هوش مصنوعی و یادگیری عمیق نیاز به سختافزارهایی دارد که بتوانند دادههای بزرگ را با سرعت و کارایی بالا پردازش کنند. معماری نورومورفیک فوتونیک این امکان را فراهم کرده تا بار محاسباتی سنگین شبکههای عصبی مصنوعی با مصرف انرژی کمتر انجام شود. در سال ۲۰۲۳، پژوهشگرانی از یونان و شرکت Celestial AI در کالیفرنیا تراشهای بر پایه سیلیکون فوتونیک توسعه دادند که با استفاده از مدولاتورهای الکترواپتیکی مبتنی بر آلیاژ سیلیکون-ژرمانیوم SiGe، عملکرد بهتری در ضرب ماتریس-بردار ارائه داد.
این تراشه که از فناوری Xbar فوتونیکی استفاده میکرد، تلفات انرژی را کاهش داده و دقت پردازش را افزایش داد. آزمایشها نشان دادند که این تراشه قادر به اجرای شبکههای عصبی مصنوعی با وضوح ۴ بیت و نرخ محاسباتی ۵۰ گیگاهرتز با دقتی بالای ۹۵٪ است.
پردازش فوقسریع تصویر
شبکههای نورومورفیک، به ویژه مدلهایی مانند شبکههای عصبی اسپایکی (SNNs)، در طبقهبندی تصویر و شناسایی الگو عملکرد درخشانی دارند. این سیستمها با بهرهگیری از تکنیکهایی مانند کانولوشن (convolution) و پولینگ (pooling) میتوانند ویژگیهای تصویری را با سرعت بالا استخراج کنند.
دوربینهای DVS و آشکارسازهای آوالانچ فوتونی (photon avalanche detectors) قابلیت ترکیب با این سامانهها را دارند و توانایی پردازش سریعتری نسبت به روشهای کلاسیک فراهم میکنند. نوعی لیزر نیمهرسانا به نام VCSEL نیز به عنوان نورون نوری در این سیستمها به کار رفته است. محققان با توسعه پلتفرمی نوری بر پایه VCSEL، موفق به ایجاد نورونهای اسپایکی کاملاً نوری شدند که توانستند به صورت بلادرنگ ویژگیهای لبهای تصاویر را تشخیص دهند.
در یکی از آزمایشها، این سیستم توانست ۵۰۰۰ تصویر از پایگاه داده MNIST را تنها در ۶.۵۶ میلیثانیه پردازش کند و به میانگین دقت ۹۶.۱٪ دست یابد. نکته مهم آن است که این سیستم تنها از تجهیزات تجاری موجود استفاده کرده و به هیچگونه بهینهسازی اختصاصی نیاز نداشت.
این نتایج نشاندهنده پتانسیل بالای محاسبات نورومورفیک فوتونیکی برای پردازش سریع، کممصرف و سختافزارپسند تصاویر است. نورونهای اسپایکی مبتنی بر VCSEL میتوانند به پلتفرمهایی سریع، سازگار با شبکههای مخابراتی و قابل استفاده در بینایی بلادرنگ منجر شوند.
مزایای کلیدی معماریهای نورومورفیک فوتونیکی
آنچه این معماریها را از دیگر تلاشها در حوزه شتابدهندههای هوش مصنوعی متمایز میکند، ترکیب هوشمندانه فناوری فوتونیک، سیستمهای دیجیتال، و اصول یادگیری مغز است. فوتونیک امکان پردازش با پهنای باند تراهرتزی، تأخیر زمانی نانوثانیهای و مصرف انرژی بهشدت پایین را فراهم میآورد. در مقابل، بخش دیجیتال دقت و انعطافپذیری را تضمین میکند. همچنین، بهرهگیری از یادگیری مبتنی بر اسپایک، این امکان را میدهد که سامانهها بتوانند درست مانند مغز انسان، بهصورت خودمختار و با دادههای خام، ویژگیهای مفید را استخراج کنند.
چالشهای پیشروی محاسبات نورومورفیک فوتونیکی
با وجود مزایای فراوان، پیادهسازی کامل سیستمهای نورومورفیک فوتونیکی با چالشهایی روبهروست. یکی از مهمترین چالشها مصرف انرژی است. مدارهای PIC فعلی برای حفظ پایداری نوری به انرژی قابلتوجهی نیاز دارند. این مسئله در سیستمهای قابلحمل یا در مقیاسهای بزرگ، که مصرف انرژی اهمیت بیشتری دارد، پررنگتر میشود. در این راستا محققان در حال بررسی مواد با تحرکپذیری بالا مانند ایندیوم گالیوم آرسناید (InGaAs) هستند تا پلتفرمهایی فوتونیکی با بازده بیشتر و مصرف انرژی کمتر توسعه دهند.
مواد مورد استفاده نیز محدودیتهایی دارند. هیچ مادهای به تنهایی تمام ویژگیهای مطلوب برای ساخت یک مدار نورومورفیک ایدهآل را ندارد. برای حل این مشکل، رویکردهای هیبریدی با ترکیب مواد تغییرفازدهنده و مدولاتورها در حال بررسی هستند تا انعطافپذیری و عملکرد غیرخطی سیستمها را بهبود دهند.
برای ارتقای مقیاسپذیری، محققان به متاسطوح (meta-surfaces) روی آوردهاند که امکان طراحی تجهیزات فوتونیکی فشرده با عملکرد بالا را فراهم میکنند. همچنین، ترکیب فناوری CMOS با فوتونیک سیلیکونی موجب افزایش پایداری، مدولاسیون و کارایی کل سیستم میشود. این پیشرفتها میتوانند به استفاده گسترده صنعتی از این فناوری در آینده نزدیک منجر شوند.
از سوی دیگر، پایداری محیطزیستی به یک دغدغه اساسی تبدیل شده است. محدودیتهای قانونی در خصوص مواد سازگار با محیطزیست، محققان را به سمت طراحی قطعات فوتونیکی پایدار سوق داده است. این امر میتواند در پذیرش بلندمدت این فناوری در آینده مفید واقع شود. در کنار این مسائل، پردازش فوقسریع و اتصالپذیری گسترده این سیستمها میتواند نگرانیهایی درباره حریم خصوصی و امنیت دادهها ایجاد کند، زیرا سرعت بالای انتقال اطلاعات، خطر نفوذ یا نشت داده را افزایش میدهد.
با وجود این چالشها، پیشرفتهای چشمگیری در حال انجام است تا این فناوری را بهینهتر، قابل اعتمادتر و مناسب برای کاربردهای واقعی کند. با بهبود در مواد، کارایی انرژی و یکپارچهسازی، آیندهای روشن برای سامانههای نورومورفیک فوتونیکی در هوش مصنوعی، محاسبات و سیستمهای دیجیتال نسل آینده قابل تصور است.
آیندهای روشن برای هوش مصنوعی
تحقیقات در زمینه محاسبات نورومورفیک فوتونیکی گام مهمی در جهت تحقق سختافزارهای فوقسریع، کممصرف و هوشمندتر برای هوش مصنوعی برداشته است. با پردازش دادهها توسط نور، میتوان سامانههایی ساخت که محاسبات را با دقت بالا انجام دهند، انرژی بسیار کمی مصرف کنند، بلادرنگ تصمیم بگیرند، و حتی بتوانند بهصورت مستقل یاد بگیرند.
در آیندهای نهچندان دور، میتوان انتظار داشت که این فناوری در کاربردهایی مانند پهپادها، حسگرهای زیستی، خودروهای خودران و سیستمهای لبهای که نیاز به پاسخ سریع و مصرف انرژی پایین دارند، نقش محوری ایفا کند. نور، بار دیگر، ممکن است مسیر تازهای در علم و فناوری، این بار در قلب هوش مصنوعی، بگشاید.