پیام مازند - مهندسان دانشگاه پن نخستین تراشهٔ نوری قابل برنامه‌ریزی را ساختند که می‌تواند شبکه‌های عصبی را تنها با استفاده از نور آموزش دهد و افقی تازه برای هوش مصنوعی بگشاید. مهندسان دانشگاه پنسیلوانیا موفق به طراحی و ساخت تراشه‌ای نوری شده‌اند که توانایی آموزش شبکه‌های عصبی غیرخطی را تنها با بهره‌گیری از نور دارد؛ دستاوردی که می‌تواند تحولی چشمگیر در افزایش سرعت و کاهش مصرف انرژی در حوزهٔ هوش مصنوعی به همراه داشته باشد.
این تراشهٔ نوآورانه برخلاف تراشه‌های الکترونیکی رایج، محاسبات پیچیده را با بازآرایی و هدایت نور انجام می‌دهد و گامی بزرگ در مسیر توسعهٔ رایانه‌هایی است که به‌طور کامل با نور کار می‌کنند.
به گزارش ایتنا و به نقل از سای‌تک‌دیلی، گفتنی است تراشه‌های فوتونیک (نوری) به جای الکترون‌ها از پرتوهای نور برای پردازش اطلاعات استفاده می‌کنند. مقالهٔ این پژوهش در نشریهٔ Nature Photonics منتشر شده و نشان می‌دهد که این تراشه چگونه با دستکاری نور، عملیات غیرخطی ضروری برای عملکردهای پیشرفتهٔ هوش مصنوعی را اجرا می‌کند.
لیانگ فنگ (استاد مهندسی مواد و مهندسی سیستم‌های الکتریکی) که نویسندهٔ ارشد این پژوهش است، اظهار می‌دارد: «توابع غیرخطی برای آموزش شبکه‌های عصبی عمیق کاملاً حیاتی هستند. هدف ما این بود که برای نخستین بار این توانایی را در فوتونیک ممکن کنیم.»
گام گمشده در هوش مصنوعی نوری
اغلب سیستم‌های هوش مصنوعی امروزی بر پایهٔ شبکه‌های عصبی عمل می‌کنند؛ الگوریتم‌هایی الهام‌گرفته از ساختار مغز. همان‌طور که نورون‌ها در مغز با هم پیوند دارند و فکر کردن را ممکن می‌سازند، شبکه‌های عصبی نیز با اتصال گره‌های ساده، به هوش مصنوعی امکان انجام وظایف پیچیده را می‌دهند.

در این سامانه‌ها، گره‌ها تنها زمانی فعال می‌شوند که ورودی از آستانه‌ای فراتر رود؛ فرایندی غیرخطی که باعث می‌شود ورودی‌های کوچک، خروجی‌هایی با پیچیدگی بالا تولید کنند.
تیان‌وی وو (پژوهشگر فوق‌دکترا) می‌افزاید: «بدون این رفتار غیرخطی، افزودن لایه‌های بیشتر در شبکهٔ عصبی بی‌فایده است و سامانه به یک عملیات خطی ساده فروکاسته می‌شود که در آن هیچ یادگیری واقعی اتفاق نمی‌افتد.»
در حالی‌که پیش‌تر تیم‌هایی در مهندسی پن تراشه‌های نوری‌ای طراحی کرده بودند که می‌توانستند عملیات ریاضی خطی را انجام دهند، هیچ‌یک موفق نشده بودند توابع غیرخطی را صرفاً با نور پیاده‌سازی کنند—تا اکنون.
وی تأکید می‌کند: «بدون توابع غیرخطی، تراشه‌های فوتونیک قادر به آموزش شبکه‌های عمیق یا انجام وظایف هوشمندانهٔ واقعی نیستند.»
بازطراحی نور با نور
موفقیت این گروه با استفاده از ماده‌ای نیمه‌هادی آغاز شد که به نور واکنش نشان می‌دهد. وقتی پرتو «سیگنال» (حاوی دادهٔ ورودی) از این ماده عبور می‌کند، پرتو دوم موسوم به «پمپ» از بالا بر آن می‌تابد و رفتار ماده را تغییر می‌دهد.
با تنظیم شکل و شدت پرتو پمپ، پژوهشگران توانستند تعیین کنند که نور سیگنال چگونه جذب، منتقل یا تقویت شود. این روش در واقع تراشه را برای اجرای توابع غیرخطی مختلف برنامه‌ریزی می‌کند.
فنگ می‌گوید: «ما ساختار تراشه را تغییر نمی‌دهیم. بلکه از خود نور برای ترسیم الگوهایی درون ماده استفاده می‌کنیم که مسیر حرکت نور را تغییر می‌دهد.»

در نتیجه، سامانه‌ای بازپیکربندی‌پذیر شکل می‌گیرد که بسته به الگوی نوریِ پمپ، می‌تواند طیف گسترده‌ای از توابع ریاضی را پیاده‌سازی کند. این انعطاف‌پذیری به تراشه امکان می‌دهد تا به‌صورت آنی یاد بگیرد و رفتار خود را بر اساس بازخورد خروجی تنظیم کند.
آموزش با سرعت نور
برای ارزیابی کارایی تراشه، تیم تحقیقاتی از آن برای حل مسائل استاندارد هوش مصنوعی استفاده کرد. در یک وظیفهٔ تصمیم‌گیری غیرخطی ساده، تراشه بیش از 97٪ دقت کسب کرد و در مجموعه‌دادهٔ مشهور «گل زنبق» نیز به دقتی بالاتر از 96٪ دست یافت.
در یک نتیجهٔ چشمگیر، تنها چهار اتصال غیرخطی نوری در این تراشه معادل 20 اتصال خطی الکترونیکی به همراه تابع فعال‌سازی ثابت در مدل سنتی بود. این بهره‌وری، نویدبخش آینده‌ای است که در آن چنین معماری‌هایی مقیاس‌پذیر و بسیار مؤثر خواهند بود.
برخلاف سیستم‌های فوتونیکی پیشین که پس از ساخت قابل تغییر نبودند، تراشهٔ دانشگاه پن همچون بومی سفید است که نور پمپ همچون قلم‌مو دستورات قابل برنامه‌ریزی را روی آن ترسیم می‌کند.