مالمعلومات الحديثة التكنولوجيا (هو) على أساس تقسيم العمل. تحمل الفوتونات البيانات حول العالم وتقوم الإلكترونات بمعالجتها. ولكن قبل الألياف الضوئية ، كانت الإلكترونات تفعل كلا الأمرين – ويأمل بعض الناس في إكمال الانتقال من خلال معالجة الفوتونات للبيانات أثناء حملها.
متصفحك لا يدعم هذا البند
وفر الوقت من خلال الاستماع إلى مقالاتنا الصوتية أثناء تعدد المهام
على عكس الإلكترونات ، يمكن للفوتونات (التي تكون محايدة كهربائيًا) أن تمر ببعضها البعض دون تفاعل ، لذلك يمكن للألياف الزجاجية التعامل مع العديد من الإشارات المتزامنة بطريقة لا تستطيع الأسلاك النحاسية القيام بها. يمكن للكمبيوتر البصري أيضًا إجراء العديد من العمليات الحسابية في نفس الوقت. يقلل استخدام الفوتونات أيضًا من استهلاك الطاقة. تولد المقاومة الكهربائية حرارة تهدر الطاقة. يمر مرور الفوتونات عبر الوسائط الشفافة بدون مقاومة.
ومع ذلك ، لكي تحدث الحوسبة الضوئية ، يجب استبدال البنية الراسخة للمعالجة الإلكترونية الرقمية بمكونات بصرية مكافئة. أو ربما لا. يعمل بعض الأشخاص على بنية بصرية جديدة تستخدم الحوسبة التناظرية بدلاً من الحوسبة الرقمية (أي أنها ترمز البيانات كإشارة مستمرة بدلاً من “بتات” منفصلة). في الوقت الحاضر ، هذه العمارة هي الأنسب لحل فئة معينة من المشاكل ، تلك الموجودة في فرع من فروع الرياضيات يسمى الجبر الخطي. لكنها سوق ضخمة محتملة ، لأن الجبر الخطي أساسي ، من بين أشياء أخرى ، للشبكات العصبية الاصطناعية ، وهذه بدورها أساسية للتعلم الآلي – وبالتالي الذكاء الاصطناعي. (منظمة العفو الدولية).
قوة المصفوفة
الجبر الخطي يعالج المصفوفات. هذه عبارة عن شبكات من الأرقام (تمثل معاملات المعادلات الآنية) التي يمكن أن تضيف وتضاعف مثل الأرقام الفردية. من بين الأشياء التي يمكن وصفها بواسطة المصفوفات المعادلات التي تحكم سلوك الإشعاع الكهرومغناطيسي (مثل الضوء) التي اكتشفها جيمس كليرك ماكسويل في القرن التاسع عشر. تسهل طبيعة ماكسويل الأساسية للضوء ، بمساعدة أجهزة التعديل المناسبة ، تشفير بيانات المصفوفة في حزم ضوئية ثم معالجة تلك البيانات.
الشبكات العصبية الاصطناعية هي برامج تمثل طبقات من العقد ، والتي تمثل اتصالاتها أرقامًا في المصفوفات. تتغير قيم هذه استجابة للإشارات الواردة بطريقة تؤدي إلى ضرب المصفوفة. يتم تمرير النتائج إلى الطبقة التالية لجولة أخرى من المعالجة ، وما إلى ذلك ، حتى تصل إلى طبقة الإخراج النهائية ، والتي تجمعهم في استجابة. والنتيجة هي السماح للشبكة بالتعرف على الأنماط وتعلمها في بيانات الإدخال.
إن فكرة جعل الشبكات العصبية بصرية ليست جديدة. يعود تاريخه إلى التسعينيات ، ولكن ظهرت الآن التكنولوجيا لجعله قابلاً للتطبيق تجاريًا. كان ديميتري بسالتيس ، أحد الأشخاص الذين لاحظوا هذا التحول ، مهندسًا كهربائيًا في معهد كاليفورنيا للتكنولوجيا (Caltech) والآن في مدرسة الفنون التطبيقية الفيدرالية في لوزان. كان من بين أول من استخدم الشبكات العصبية البصرية للتعرف على الوجه.
كانت الشبكات العصبية لشباب الدكتور بسالتيس سطحية. كان لديهم طبقة أو طبقتان فقط وبضعة آلاف من العقد. في الوقت الحاضر ، يمكن أن تحتوي شبكات التعلم العميق المزعومة على أكثر من 100 طبقة ومليارات من العقد. وفي الوقت نفسه ، استثمارات صناعة الاتصالات السلكية واللاسلكية – حصة هو التي تحمل البيانات عبر كل تلك الألياف الضوئية – جعلت من الممكن تصنيع أنظمة بصرية والتحكم فيها أكثر تعقيدًا بكثير من تلك التي كانت في الماضي.
إنها الدفعة التكنولوجية. ينبع السحب المالي من انخفاض تكلفة الكمية الكبيرة من الكهرباء التي تستهلكها الشبكات الحديثة لأنها تتزايد وكميات البيانات التي تتعامل معها.
لم تتخل معظم الجهود المبذولة لبناء الشبكات العصبية الضوئية عن الإلكترونات تمامًا – فهي تحتفظ بشكل عملي بالإلكترونيات حيثما كان ذلك مناسبًا. على سبيل المثال ، تقوم شركتا Lightmatter و Lightelligence ، وهما شركتان في بوسطن ، ماساتشوستس ، ببناء “مُعدِّلات” هجينة تضرب المصفوفات معًا عن طريق التلاعب بإشارة مشفرة بصريًا استنادًا إلى الأرقام المعادة إلكترونيًا. يتيح ذلك الاستفادة من التوازي للمدخلات الضوئية (التي يمكن أن تكون أكبر 100 مرة مما تسمح به الإلكترونيات) أثناء استخدام مجموعة أكثر تقليدية مثل ما يصفه نيكولاس هاريس ، مؤسس Lightmatter ، بمحرك الدمى.
المغيرون أنفسهم مصنوعون من السيليكون. على الرغم من أنها ليست أفضل مادة على الإطلاق لتعديل الضوء ، إلا أنها الأفضل على الإطلاق للإلكترونيات. إن استخدام السيليكون يجعل من الممكن تصنيع رقائق هجينة بمعدات مصممة للرقائق التقليدية ، وربما يمنحها أيضًا حياة جديدة. لأنه ، كما لاحظ موريس شتاينمان ، نائب رئيس قسم الهندسة في Lightelligence ، على الرغم من تباطؤ الزيادة المستمرة منذ عقود في أداء الإلكترونيات ، “نحن فقط في بداية التطور الجيلي للإلكترونيات.” البصريات “.
نقطة الصفر
يسعى Ryan Hamerly وفريقه في معهد ماساتشوستس للتكنولوجيا (المنظمة التي نشأت منها Lightelligence و Lightmatter) إلى استغلال انخفاض استهلاك الطاقة للأجهزة البصرية الهجينة لمكبرات الصوت الذكية والطائرات بدون طيار خفيفة الوزن وحتى السيارات ذاتية القيادة. لا يحتوي مكبر الصوت الذكي على قطع الحوسبة والطاقة لتشغيل برامج التعلم العميق من تلقاء نفسه. ولذلك فهو يرسل نسخة رقمية مما سمعه على الإنترنت إلى خادم بعيد يقوم بمعالجته. ثم يقوم الخادم بإرجاع الاستجابة.
كل هذا يستغرق وقتًا ، ولكنه ليس آمنًا. يمكن لشريحة بصرية موضوعة في مثل هذا السماعة إجراء الجبر الخطي الضروري على الفور ، مع استهلاك منخفض للطاقة ودون الحاجة إلى نقل البيانات الحساسة في مكان آخر.
يعتقد باحثون آخرون ، بما في ذلك Ugur Tegin من معهد كاليفورنيا للتكنولوجيا ، أن الميزة الحقيقية للحوسبة الضوئية هي قدرتها على التعامل مع مجموعات البيانات الكبيرة. في الوقت الحالي ، على سبيل المثال ، يتم تدريب أنظمة التعرف على الصور على الصور منخفضة الدقة لأن الإصدارات عالية الدقة كبيرة جدًا بحيث لا يمكن التعامل معها بشكل فعال ، على كل حال. طالما أن هناك مكونًا إلكترونيًا في العملية ، فإن النطاق الترددي محدود. إجابة الدكتور تيجين هي التخلي عن الإلكترونيات تمامًا واستخدام آلة بصرية كاملة.
اتضح أن هذا أمر صعب ، لأن ما يسمح للشبكات العصبية بالتعلم جيدًا لأي نموذج يتم طرحه عليها هو استخدام وظيفة غير خطية في كل عقد من عقدها ، بالإضافة إلى كل المعالجة الخطية. إن استخدام الوظائف الخطية فقط يعني أنه يمكن تعلم النماذج الخطية فقط.
لحسن الحظ ، على الرغم من أن الضوء يتصرف في الغالب بطريقة خطية ، إلا أن هناك استثناء. يوضح الدكتور تيجين أن هذا يحدث عندما يتم إسقاط نبضة قصيرة ومكثفة للغاية من خلال ما يسمى بالألياف متعددة الأوضاع ، والتي تستغل العديد من خصائص الضوء لتحسين قدرته على حمل الإشارات المتوازية. في ظل هذه الظروف ، يغير مرور النبضة خصائص المادة نفسها ، ويغير سلوك مرور الضوء بطريقة غير خطية.
لقد استغل الدكتور تيجين هذه الوظيفة في ما هو ، باستثناء طبقة الإخراج النهائية ، شبكة بصرية كاملة. لقد وصفها في مقال نُشر العام الماضي في العلوم الحسابية للطبيعة. إنه قادر على الاحتفاظ بجميع المعلومات في شكل بصري حتى تصل إلى الطبقة الأخيرة ، حيث تظهر الإجابة. عندها فقط يتم تحويلها إلى شكل إلكتروني ، لتتم معالجتها بواسطة الشبكة الإلكترونية الأبسط والأصغر التي تشكل هذه الطبقة.
في هذه الأثناء ، في جامعة كاليفورنيا ، لوس أنجلوس ، يتخذ أيدوغان أوزكان نهجًا آخر لمعالجة المصفوفة الضوئية بالكامل. في مقال نشر في علم في عام 2018 ، وصف هو ومعاونوه كيفية إنشاء أجهزة بصرية تقوم بذلك دون إشراك أي إلكترونات على الإطلاق.
يكمن السحر هنا في استخدام صفائح زجاجية رقيقة ملفقة خصيصًا ، كل منها بحجم طابع بريدي ، موضوعة فوق بعضها البعض في أكوام مماثلة لطبقات الشبكة العصبية الاصطناعية. تعمل هذه الصفائح معًا على تشتيت الضوء الوارد بالطريقة نفسها التي تعالج بها هذه الشبكة العصبية الصورة الرقمية.
في هذه الحالة ، تعمل البصريات بشكل سلبي ، مثل عدسة الكاميرا ، بدلاً من تلقي ردود فعل نشطة. يقول الدكتور أوزكان أن هذا يوفر مزايا تتعلق بالسلامة. لا يلتقط النظام أبدًا الصور أو يرسل البيانات الأولية ، فقط النتيجة المستنتجة. ومع ذلك ، هناك مقايضة. نظرًا لأنه لا يمكن إعادة تكوين الأوراق ، يجب استبدالها ، إذا تغيرت خوارزمية الاستدلال.
يبقى أن نرى إلى أي مدى ستذهب الحوسبة الضوئية من هذا النوع. لكن منظمة العفو الدولية على أساس التعلم العميق ينمو بسرعة ، مثل الضجة الأخيرة حول الدردشةعلامات جوجل، برنامج يمكنه إنتاج نثر مقبول (وحتى شعر) مع القليل من العروض. لذلك من المرجح أن تجد الأجهزة التي يمكنها تسريع هذا التطور أكثر من ذلك استحسانًا. لذلك ، بعد عقود من الركود ، يبدو مستقبل الحوسبة الضوئية مشرقاً للغاية. ■
هل تشعر بالفضول بشأن العالم؟ للاستفادة من تغطيتنا العلمية المذهلة ، اشترك في Simply Science ، النشرة الإخبارية الأسبوعية الخاصة بالمشتركين فقط.