پژوهشگران مؤسسه فناوری ماساچوست (MIT) موفق به ساخت تراشه نوری به نام MAFT-ONN (شبکه عصبی نوری تبدیل فرکانسی آنالوگ ضربی)شدهاند که با استفاده از نور، قابلیت انجام محاسبات یادگیری عمیق را با سرعتی بیسابقه فراهم میسازد.
به گزارش تکناک ، این دستاورد میتواند تحولی بزرگ در عملکرد دستگاههای لبهای (Edge Devices) برای تحلیل بلادرنگ دادهها ایجاد کند. این پردازنده، راه را برای پیادهسازی هوش مصنوعی در کاربردهای حساس و زمانمند مانند شبکههای 6G، خودروهای خودران و تجهیزات پزشکی هموار میسازد.
در شرایطی که تعداد دستگاههای متصل به اینترنت با رشد فزایندهای همراه است، نیاز به پهنای باند بیشتر برای فعالیتهایی نظیر دورکاری و رایانش ابری، فشار سنگینی بر طیف بیسیم محدود وارد کرده است. مهندسان برای پاسخ به این چالش، به هوش مصنوعی روی آوردهاند تا بتوانند مدیریت پویا و هوشمند منابع بیسیم را ممکن سازند. با این حال، روشهای رایج هوش مصنوعی به مصرف بالای انرژی نیاز دارند و توان پردازش بلادرنگ را ندارند.
تیمی از پژوهشگران MIT، به سرپرستی دکتر دیرک انگلوند، استاد مهندسی برق و علوم رایانه این دانشگاه، موفق به طراحی شتابدهندهای سختافزاری شدهاند که به طور ویژه برای پردازش سیگنالهای بیسیم ساخته شده است. تراشه نوری MAFT-ONN قادر است عملیات یادگیری ماشین را در نانوثانیه انجام دهد و سیگنالهای بیسیم را با دقت حدود ۹۵ درصد دستهبندی کند. این عملکرد تقریباً ۱۰۰ برابر سریعتر از بهترین گزینههای دیجیتال موجود در بازار است.
در نمای شماتیک معماری MAFT-ONN، هر واحد ضرب نوری-الکتریکی، بهصورت فیزیکی، یا یک لایه Fully Connected (FC) یا یک لایه کانولوشن یکبعدی (CONV) را محاسبه میکند. فعالسازی غیرخطی (NL) هر لایه، بهطور فیزیکی با ناحیه غیرخطی در ماژولاتور بعدی مطابقت دارد. این واحدها را میتوان بهصورت زنجیرهای به هم متصل کرد تا چندین لایه شبکه عصبی عمیق (DNN) را بهطور کامل بهصورت آنالوگ و بدون نیاز به پردازش دیجیتال اجرا کرد.
در نمای نزدیک از یک لایه FC یا CONV، در حالت FC، سیگنال وزن بهگونهای برنامهریزی میشود که ضرب نوری-الکتریکی، حاصلضرب ماتریس-بردار را در حوزه فرکانس تولید کند؛ در این حالت، ناحیه سبزرنگ در حوزه فرکانس با استفاده از یک فیلتر جدا میشود. در لایه CONV، تمام فرکانسهای سیگنال خروجی مورد استفاده قرار میگیرند. طراحی این تصویر با همکاری S. Wilcox از MIT انجام شده است.
در این فناوری، کلیه عملیات خطی و غیرخطی مورد نیاز برای یادگیری عمیق، بهصورت درونخط و تنها در یک لایه انجام میشود. این طراحی نوآورانه امکان آن را فراهم کرده که حدود ۱۰ هزار نورون نوری در یک دستگاه جای گیرد و محاسبات مربوطه تنها در یک مرحله انجام شوند. فرآیند مذکور با بهرهگیری از تکنیک «ضرب فوتوالکتریک» صورت میگیرد که راندمان پردازشی را بهطور چشمگیری افزایش میدهد.
بهگفته پژوهشگران، تراشه نوری MAFT-ONN میتواند نقش مهمی در نسل آینده ارتباطات 6G ایفا کند. از جمله کاربردهای آن میتوان به رادیوهای شناختی اشاره کرد که با تشخیص نوع مدولاسیون سیگنالهای دریافتی، بهصورت خودکار تنظیمات خود را برای بهینهسازی نرخ دادهها تغییر میدهند.
همچنین، با فراهم شدن امکان انجام محاسبات یادگیری عمیق در زمان واقعی، تراشه نوری MAFT-ONNمیتواند به خودروهای خودران کمک کند تا در برابر تغییرات محیطی واکنشهای سریعتری نشان دهند، یا به ابزارهای پزشکی مانند ضربانسازها اجازه دهد تا بهصورت مداوم عملکرد قلب بیماران را رصد کنند.
نتایج آزمایشها نشان میدهد این سیستم توانسته است تنها در یک اجرای اولیه، به دقت ۸۵ درصدی در دستهبندی سیگنالها برسد. با چند اندازهگیری بیشتر، دقت آن به بیش از ۹۹ درصد افزایش مییابد؛ آنهم در زمانی کمتر از ۱۲۰ نانوثانیه. در مقایسه، سامانههای دیجیتال مشابه برای انجام همین وظایف، به چندین میکروثانیه زمان نیاز دارند.
رونالد دیویس، نویسنده اصلی مقاله و دانشآموخته دکتری MIT، میگوید: «ما نتوانستیم از چارچوبهای رایج یادگیری ماشین استفاده کنیم. بنابراین معماری را از پایه، متناسب با فیزیک سختافزار طراحی کردیم تا به عملکرد دلخواه برسیم.»
این تیم در نظر دارد در مراحل بعدی، قابلیت مالتیپلکس را به MAFT-ONN اضافه کند تا محاسبات بیشتری بهطور همزمان انجام شوند. همچنین برنامههایی برای توسعه این معماری در مسیر اجرای مدلهای پیچیدهتر مانند ترنسفورمرها و مدلهای زبانی بزرگ (LLM) در دست بررسی است.
این پژوهش در نشریه Science Advances منتشر شده و توسط آزمایشگاه تحقیقاتی ارتش آمریکا، نیروی هوایی ایالات متحده، آزمایشگاه لینکلن MIT، شرکت مخابرات ژاپن (NTT)، و بنیاد ملی علوم ایالات متحده پشتیبانی مالی شده است.
