آموزش هوش مصنوعی با سرعت نور برای نخستین بار در جهان

01

از 03

قطعه گمشده در هوش مصنوعی فوتونی

اغلب سامانه‌های هوش مصنوعی امروزی به شبکه‌های عصبی وابسته‌ هستند؛ نرم‌افزاری که با الهام از ساختار عصبی مغز طراحی شده است. در این سیستم‌ها، «گره‌ها» با یکدیگر پیوند می‌خورند و این اتصال لایه‌به‌لایه به سامانه امکان می‌دهد وظایف پیچیده‌ای را انجام دهد.

این گره‌ها در سامانه‌های طبیعی و مصنوعی، تنها زمانی «فعال» می‌شوند که ورودی از آستانه‌ای مشخص عبور کند؛ فرایندی غیرخطی که باعث می‌شود تغییرات کوچک ورودی، نتایجی بزرگ‌تر و پیچیده‌تر در خروجی ایجاد کنند.

در نبود این رفتار غیرخطی، افزایش لایه‌ها بی‌فایده است؛ چرا که سامانه تنها به یک عملیات خطی ساده تقلیل می‌یابد و دیگر یادگیری واقعی رخ نمی‌دهد.

اگرچه تیم‌های بسیاری، از جمله گروه‌های پژوهشی در پن، تراشه‌هایی ساخته‌اند که عملیات ریاضی خطی را با نور انجام می‌دهند، اما تاکنون هیچ‌کس نتوانسته بود فقط با نور، توابع غیرخطی را اجرا کند.

تیانوی وو، پژوهشگر فوق‌دکترا و نویسنده اول مقاله بیان کرد: «بدون توابع غیرخطی، تراشه‌های فوتونی نمی‌توانند شبکه‌های عمیق را آموزش دهند یا وظایف واقعاً هوشمندانه‌ای انجام دهند.»

02

از 03

بازطراحی نور با خود نور

دستاورد این تیم از ماده‌ای نیمه‌هادی آغاز می‌شود، که به نور واکنش نشان می‌دهد. در این تراشه، یک پرتو «سیگنال» که داده‌ها را حمل می‌کند از درون ماده عبور می‌کند و هم‌زمان یک پرتو «پمپ» از بالا به آن تابانده می‌شود تا نحوه واکنش ماده را تغییر دهد.

تیم پژوهشی با تغییر شکل و شدت پرتو پمپ می‌تواند کنترل کند که پرتو سیگنال بر اساس شدت و ویژگی‌های ماده چگونه جذب، عبور یا تقویت شود. این فرایند به‌ نوعی تراشه را برای اجرای توابع غیرخطی مختلف «برنامه‌ریزی» می‌کند.

فنگ توضیح داد: «ما ساختار تراشه را تغییر نمی‌دهیم، بلکه با خود نور، الگوهایی درون ماده ایجاد می‌کنیم که تعیین می‌کنند نور چگونه در آن حرکت نماید.»

نتیجه، سامانه‌ای قابل‌برنامه‌ریزی است که بسته به الگوی پرتو پمپ، می‌تواند توابع ریاضی گوناگونی را پیاده‌سازی کند. این انعطاف‌پذیری به تراشه اجازه می‌دهد تا در زمان واقعی یاد بگیرد و رفتار خود را بر اساس بازخورد خروجی تنظیم کند.

پژوهشگران برای ارزیابی عملکرد این تراشه، از آن برای حل مسائل استاندارد یادگیری ماشین استفاده کردند. این تراشه توانست در یک وظیفه تصمیم‌گیری غیرخطی ساده، به دقت بیش از ۹۷ درصد و در مجموعه داده مشهور Iris flower به دقت بیش از ۹۶ درصد دست یابد.

تراشه فوتونی در هر دو مورد، عملکردی هم‌تراز یا حتی بهتر از شبکه‌های عصبی دیجیتال داشت، در حالی‌ که به عملیات کمتر و اجزای الکترونیکی پرمصرف نیاز نداشت.

در یک نتیجه چشمگیر، تنها چهار اتصال نوری غیرخطی در این تراشه، عملکردی معادل ۲۰ اتصال خطی با توابع فعال‌سازی غیرخطی ثابت در سامانه‌های سنتی داشتند. این بهره‌وری بالا، نویدبخش آینده‌ای در مقیاس گسترده‌تر است.

برخلاف سامانه‌های فوتونی قبلی که پس از ساخت، ثابت می‌مانند، این تراشه همانند یک بوم سفید آغاز به کار می‌کند. پرتو پمپ مانند قلم‌موی نقاشی عمل و دستورات برنامه‌پذیر را روی ماده ترسیم می‌کند.

فنگ عنوان کرد: «این یک نمونه واقعی از کامپیوتر فوتونی برنامه‌پذیر در میدان است. این یک گام به‌ سوی آینده‌ای است که می‌توانیم هوش مصنوعی را با سرعت نور آموزش دهیم.»

03

از 03

چشم‌انداز آینده

اگرچه پژوهش کنونی بر توابع چندجمله‌ای – دسته‌ای منعطف از توابع که در یادگیری ماشین کاربرد فراوان دارند – متمرکز است، اما تیم پژوهشی معتقد است که رویکرد آنها می‌تواند امکان اجرای توابع قدرتمندتری مانند تابع نمایی یا معکوس را نیز فراهم کند. این گام، مسیر را برای سامانه‌های فوتونی هموار می‌کند تا بتوانند وظایف سنگینی مانند آموزش مدل‌های زبانی بزرگ را انجام دهند.

این فناوری با جایگزینی اجزای الکترونیکی پرمصرف با مؤلفه‌های نوری کم‌مصرف، می‌تواند مصرف انرژی مراکز داده هوش مصنوعی را به‌ طور چشمگیری کاهش دهد و اقتصاد یادگیری ماشین را متحول کند.

لیانگ اعلام کرد: «این شاید آغازگر جدی ظهور رایانش فوتونی به‌ عنوان جایگزینی واقعی برای الکترونیک باشد. پن، زادگاه نخستین رایانه دیجیتال جهان یعنی ENIAC بود و این تراشه، ممکن است نخستین گام واقعی به‌ سوی ENIAC فوتونی باشد.»