شتابدهندههای نورومورفیک فوتونیک
پایان محدودیتهای فیزیکی الکتریسیته؛ تراشههای هوش مصنوعی تمامنوری دوران کنونی با جایگزینی فوتونها به جای الکترونها، ضرب ماتریسهای هوش مصنوعی را با سرعت نور و مصرف انرژی ناچیز محقق کردهاند.

- تحلیل جامع و راهبردی انقلاب شتابدهندههای هوش مصنوعی تمامنوری و تراشههای نورومورفیک فوتونیک امروزه. کالبدشکافی چالشهای مرگبار حرارتی و فیزیکی در پردازندههای گرافیکی متداول سیلیکونی و تنگنای اتصالات الکترونیکی فون نویمان در استنتاج مدلهای زبانی تریلیونپارامتری. واکاوی دستاوردهای پیشگامانه ادغام مدولاتورهای ماخ-زندر، لیزرهای کوانتوم-دات روی تراشه و موجبرهای سیلیکون نیترید برای انجام ضرب ماتریسی در حوزه نور با تأخیر زیر پیکوثانیه. ارزیابی بهرهوری خارقالعاده انرژی در مقیاس کمتر از ۱۰ فمتوژول به ازای هر عمل محاسباتی ضرب و جمع (MAC)، انطباق ساختاری با شبکههای عصبی اسپایکینگ زیستی و نقشه راه استقرار پردازش نوری در کلاسترهای بزرگ ابری و تجهیزات لبه خودمختار.
- بررسی جامع ابعاد فنی و کاربردی توسط تحریریه ماگ بیت.
- پیشبینی اثرات کوتاهمدت و بلندمدت بر اکوسیستم فناوری.
بنبست فیزیکی مس و الکترون؛ چرا هوش مصنوعی به فوتونیک روی آورد؟
تا اواسط دوران معاصر صنعت هوش مصنوعی با یک دیوار حرارتی و انرژی غیرقابل عبور مواجه شد. در حالی که مدلهای پیشرفته زبانی و چندوجهی به سمت پارامترهای نجومی حرکت میکردند، خوشههای عظیم مبتنی بر GPUهای سنتی به تنهایی برقی معادل یک کلانشهر مصرف میکردند. بخش عمده این انرژی هولناک نه صرف منطق محاسباتی، بلکه صرف جابهجایی الکترونها از میان سیمهای مسی باریک میان پردازنده و حافظههای HBM میشد؛ پدیدهای شوم که در علوم کامپیوتر به عنوان «گلوگاه حافظه فون نویمان» (Von Neumann Bottleneck) شناخته میشود.
تلفات گرمایی ناشی از مقاومت الکتریکی، کاهش بازده لیتوگرافیهای زیر ۲ نانومتر و تأخیر ارتباطی نانوثانیهای، مهندسان را وادار ساخت تا رادیکالترین تصمیم تاریخ سیلیکون را اتخاذ کنند: حذف کامل الکترون به عنوان حامل داده و جایگزینی آن با فوتونهای نور. همانطور که در بررسی تخصصی مدلهای جهانی فیزیکمحور و شبیهسازی Spatial AI اشاره کردیم، تعامل بلادرنگ با جریانهای پیوسته جهان بدون تأخیر در سطح پیکوثانیه ناممکن خواهد بود.
امروزه تراشههای هوش مصنوعی فوتونیک تجاری با ترکیب لیزرهای ریزمقیاس و موجبرهای نوری روی بستر سیلیکون نیترید به بازار آمدند؛ پردازندههایی که در آنها بستههای داده نوری بدون تولید گرما با سرعت تقریبی ۳۰۰ هزار کیلومتر در ثانیه جریان یافته و استنتاج مدلهای چندوجهی را با سرعتی باورنکردنی رقم میزنند.
معماری هستههای تانسوری نوری؛ ضرب ماتریسی در دامنه طولموجها (WDM)
قلب تپنده پردازش در هوش مصنوعی مدرن، عملیات جبر خطی و ضرب ماتریسی ضرب و جمع تجمعی (MAC) است. در پردازندههای فوتونیک دوران کنونی این محاسبات دیگر با گیتهای منطقی ترانزیستوری انجام نمیشود، بلکه بر اساس پدیدههای فیزیکی تداخل امواج نوری در تداخلسنجهای ماخ-زندر (Mach-Zehnder Interferometers) صورت میگیرد.
هنگامی که دو پرتو لیزر نوری با فازها و دامنههای معین به یک اتصال موجبری وارد میشوند، تداخل سازنده یا مخرب آنها دقیقاً معادل ریاضی ضرب دو عدد اعشاری ممیز شناور است. شگفتانگیزتر آنکه به لطف فناوری مالتیپلکس تقسیم طولموج (Wavelength Division Multiplexing یا WDM)، میتوان همزمان دهها پرتو لیزر با رنگهای متفاوت را از درون یک موجبر واحد عبور داد؛ این یعنی انجام موازی میلیاردها عمل ضرب تانسوری در یک پالس منفرد نوری بدون هرگونه تداخل الکترومغناطیسی.
این شاهکار اپتوالکترونیک، مصرف انرژی به ازای هر عملیات محاسباتی را از چندین پیکوژول در پیشرفتهترین تراشههای الکترونیکی به کمتر از ۵ فمتوژول (Femtojoules per MAC) در معماریهای فوتونیک رسانده است؛ جهشی سهمرتبهای در بازدهی انرژی که توسعه پایدار مراکز داده در مقیاس گیگاواتی را مجدداً امکانپذیر میسازد.

الهام از سیناپسهای زیستی؛ شبکههای عصبی اسپایکینگ نوری (Photonic SNN)
فراتر از شتابدهی ترنسفورمرهای استاندارد، بزرگترین پتانسیل محاسبات فوتونیک امروزه در پیوند با معماریهای نورومورفیک یا الهامگرفته از ساختار مغز متجلی شده است. سیستم عصبی انسان اطلاعات را نه به صورت اعداد ثابت مداوم، بلکه از طریق قطارهای پالس عصبی ناهمگام (Spikes) مخابره میکند؛ شیوهای که مغز را قادر میسازد با مصرف ناچیز ۲۰ وات توان، پیچیدهترین تصمیمهای شناختی را اخذ کند.
دانشمندان با ادغام مواد تغییرفازدهنده نوری (PCM) در محل تقاطع موجبرهای فوتونیک، سیناپسهای اپتیکال مصنوعی پدید آوردهاند که در صورت دریافت انرژی فوتونی کافی، یک پالس نوری پیکوثانیهای آزاد میکنند. همانند اصول زیربنایی شبکههای عصبی مایع (LNN) و مدلهای فضای حالت زمانپیوسته، این شبکههای اسپایکینگ نوری (Photonic SNNs) رفتار پیوسته سنسورها را بدون نیاز به کوانتیزاسیون گسسته پردازش کرده و ادراک بصری فوقسریع را برای ناوبری خودمختار به ارمغان میآورند.
تلفیق این ساختار با سامانههای سختافزاری نوین نظیر موتورهای محوری درونچرخ و کنترل گشتاور خودروهای برقی، سامانههای حرکتی را به بینش پیشبینانه با پاسخدهی در مقیاس میکروثانیه مجهز میکند که هرگونه انحراف مکانیکی را پیش از آغاز لغزش مهار مینماید.
چشمانداز تجاری؛ همگرایی تراشههای نوری-الکترونیکی در ابررایانهها
هرچند فوتونها برای محاسبات موازی ماتریسی و انتقال داده در فواصل بینتراشهای معجزه میکنند، اما ذخیرهسازی دادههای موقت و اجرای منطقهای کنترلی انشعابی (Branching) همچنان در قلمرو الکترونها کارآمدتر است. از این رو، برجستهترین رونماییهای دوران کنونی بر معماریهای هیبریدی متمرکز شدهاند که در آنها چیپلتهای فوتونیکی از طریق بستهبندی سهبعدی پیشرفته Co-Packaged Optics (CPO) به تراشههای الکترونیکی حافظه و کنترل متصل شدهاند.
این زیرساختهای محاسباتی جدید در لایههای ابری، بستر اجرای بینقص نرمافزارهای نسل بعد از جمله معماری مدل کامپوننت وباسمبلی و میکروسرویسهای لبه را با زمان پاسخدهی آنی فراهم میسازند. دوران کنونی بدون تردید نقطه عطف تاریخ پردازش است؛ برههای که در آن محدودیتهای فیزیکی سیمهای مسی پس از یک قرن شکسته شد و رایانش به عصر پرتوهای نور پای نهاد.
بیشتر از هوش مصنوعی



