پژوهشگران دانشگاه پنسیلوانیا به تازگی با ساخت تراشهای که در آن بهجای جریان الکتریکی، از نور استفاده میشود، راه آموزش هوش مصنوعی را با سرعتی بسیار بالا و مصرف انرژی کمتر هموار کردند.
به گزارش پایگاه خبری تکانه،حمیدرضا قنبریها:پژوهشگران دانشگاه پنسیلوانیا به تازگی با ساخت تراشهای که در آن بهجای جریان الکتریکی، از نور استفاده میشود، راه آموزش هوش مصنوعی را با سرعتی بسیار بالا و مصرف انرژی کمتر هموار کردند. این تراشه فوتونیک، نهتنها آموزش هوش مصنوعی را با سرعتی خیرهکننده تسریع میکند، بلکه مصرف انرژی را به شکلی چشمگیر کاهش میدهد.تراشه جدید این تیم، از فناوری فوتونیک بهره میبرد.
فوتونیک شاخهای از علم است که به مطالعه و استفاده از نور برای انتقال و پردازش اطلاعات میپردازد. این تراشه بهجای تکیه بر الکترونها، از فوتونها (ذرات بنیادی نور) برای انجام عملیات پیچیدهای استفاده میکند که برای آموزش «شبکههای عصبی عمیق» ضروری هستند.«لیانگ فنگ» (Liang Feng)، استاد مهندسی مواد، برق و سیستمها در دانشگاه پنسیلوانیا و نویسنده ارشد این پژوهش، میگوید: «هدف ما این بود که برای اولین بار، فرآیندهای غیرخطی که ستون فقرات آموزش شبکههای عصبی عمیق هستند را در حوزه فوتونیک محقق کنیم. این تراشه یک انقلاب واقعی است.»
در فیزیک و مهندسی، فرآیندهای غیرخطی به پدیدههایی گفته میشود که خروجی آنها مستقیما با ورودی متناسب نیست. به بیان سادهتر، مانند این است که با دو برابر کردن ورودی، نتیجه همیشه دو برابر نمیشود بلکه گاهی کمتر و گاهی بسیار بیشتر خواهد شد. این ویژگی به شبکههای عصبی و اکنون به فوتونیک قدرت میدهد تا بتوانند رفتارهای پیچیده را شبیهسازی و پردازش کنند؛ درست مانند مغز انسان.چرا غیرخطی بودن تا این حد مهم است؟
برای درک اهمیت این نوآوری، ابتدا باید به قلب هوش مصنوعی مدرن سفر کنیم؛ یعنی شبکههای عصبی. این شبکهها که از ساختار مغز انسان الهام گرفتهاند، شامل لایههای متعددی از گرههای محاسباتی میشوند. هر گره مانند یک نورون زیستی در مغز عمل میکند و تنها زمانی فعال میشود که ورودیهایش به آستانه خاصی برسند. این فرآیند، که به آن «غیرخطی» گفته میشود، به شبکه اجازه میدهد الگوهای پیچیده را شناسایی کرده، تصمیمهای هوشمندانه بگیرد و از دادهها بیاموزد.بدون این ویژگی غیرخطی، افزودن لایههای بیشتر به شبکه عصبی بیفایده است. در واقع، بدون غیرخطی بودن، شبکه به یک سیستم ساده تبدیل میشود که تنها ورودیها را جمع میکند و هیچ شکلی از یادگیری واقعی رخ نمیدهد. تا پیش از این، تراشههای فوتونیک تنها در انجام عملیات خطی (مانند جمع و ضرب ساده) توانایی داشتند، اما این تیم از دانشمندان با حل این معما، توانستهاند تراشهای خلق کنند که عملیات غیرخطی را مستقیما با نور انجام میدهد.
«تیانوی وو» (Tianwei Wu)، پژوهشگر پسادکتری و نخستین نویسنده این مقاله، توضیح میدهد: «بدون توانایی انجام عملیات غیرخطی، تراشههای فوتونیک نمیتوانند شبکههای عمیق را آموزش دهند یا وظایف هوشمند واقعی را اجرا کنند. این تراشه، حلقه گمشده در مسیر محاسبات فوتونیک است.»جادوی نور در دستکاری مادهتراشه فوتونیک جدید این تیم مانند شیشهای هوشمند به نور حساس است و میتواند رفتار خود را بسته به نور ورودی تغییر دهد، یعنی کدر یا شفاف شود. این ماده قلب تراشه است و مثل یک فیلتر جادویی عمل میکند. تراشه از دو پرتو نور استفاده میکند: پرتو «سیگنال» که دادههای ورودی (مثل اطلاعات یک مسئله هوش مصنوعی) را حمل میکند و از ماده عبور میدهد و پرتو «پمپ» (Pump)که از بالا میتابد و نقش کارگردان را دارد. با تنظیم شدت یا الگوی پرتو پمپ، تیم میتواند کنترل کند که ماده، نور سیگنال را جذب کرده، از خود عبور دهد یا حتی تقویت کند. این قابلیت به تراشه اجازه میدهد عملیات ریاضی پیچیده توابع غیرخطی اجرا شده و به سیستم کمک کند تا الگوهای پیچیدهای مثل تشخیص چهره یا پیشبینی را یاد بگیرد.
لیانگ فنگ، سرپرست پروژه، میگوید: «ما ساختار فیزیکی تراشه را دستکاری نمیکنیم؛ فقط از پرتو پمپ برای ایجاد الگوهایی در ماده استفاده میکنیم که رفتار نور سیگنال را شکل دهد». این انعطافپذیری به تراشه امکان میدهد تا در لحظه خود را با نیازهای جدید هماهنگ کند. بنابراین نتیجه یک سیستم سریع، کممصرف و سازگار است که میتواند مسائل متنوع هوش مصنوعی را با کارایی بالا حل کند، گامی بزرگ به سوی آیندهای که در آن، نور جایگزین جریان الکتریکی در محاسبات میشود.سرعت نور، کارایی بینظیرتیم پژوهشی، برای آزمایش تواناییهای این تراشه، آن را در برابر چالشهای واقعی هوش مصنوعی قرار داد. در یک آزمایش، تراشه در شرایط تصمیمگیری غیرخطی با دقت بیش از ۹۷٪، درست عمل کرد. در آزمایشی دیگر، با استفاده از مجموعهداده معروف «ایریس» (که یک استاندارد طلایی در یادگیری ماشینی است)، تراشه توانست دقت ۹۶٪ را به دست آورد. این نتایج نهتنها با عملکرد شبکههای عصبی دیجیتال سنتی برابری میکرد، بلکه در برخی موارد از آنها پیشی گرفت، آن هم با مصرف انرژی بسیار کمتر.
نکته قابلتوجه این است که تراشه فوتونیک با تعداد عملیات بسیار کمتری به این نتایج رسید. برای مثال، تنها چهار اتصال نوری غیرخطی در این تراشه معادل ۲۰ اتصال الکتریکی در یک مدل سنتی بود. این کارایی خیرهکننده نشان میدهد که تراشههای فوتونیک میتوانند در مقیاسهای بزرگتر، مانند آموزش مدلهای زبانی عظیم، تحولی بنیادین ایجاد کنند.آیندهای روشنتر با تراشههای نورییکی از بزرگترین مشکلات فناوری هوش مصنوعی امروزی، مصرف بالای انرژی است. مراکز دادهای که مدلهای هوش مصنوعی را اجرا میکنند، مقدار عظیمی جریان الکتریکی مصرف کرده و گرمای زیادی تولید میکنند. قابل تصور است که این مشکل بزرگ چه اثرات زیست محیطی جبران ناپذیری دارد!
حالا این تراشه فوتونیک، این وعده را میدهد که به واسطه جایگزینی قطعات الکترونیکی پرمصرف با اجزای نوری کممصرف، این مشکل را بهطور اساسی حل کند.علاوهبراین، برخلاف تراشههای فوتونیک قبلی که پس از ساخت ثابت بودند، این تراشه مانند یک صفحه خالی است که میتوان بارها و بارها روی آن نوشت. پرتو پمپ به تیم اجازه میدهد تراشه را در لحظه برنامهریزی کرده و رفتارش را بر اساس نیازهای جدید تنظیم کند. این ویژگی، تراشه را به یک پلتفرم واقعا قابلبرنامهریزی تبدیل میکند که میتواند در آینده برای وظایف پیچیدهتر مورد استفاده قرار گیرد.نگاهی به افقهای پیش رودر حال حاضر، این تراشه بر اجرای توابع چندجملهای تمرکز دارد، خانوادهای از توابع ریاضی که به دلیل انعطافپذیریشان در یادگیری ماشینی بسیار محبوب هستند.
اما تیم پژوهشی معتقد است که این تنها آغاز راه است.آنها امیدوارند که در آینده، این فناوری بتواند توابع پیچیدهتری مانند توابع نمایی یا معکوس را هم اجرا کند. این پیشرفت میتواند راه را برای ساخت سایر سیستمهای فوتونیکی که در آموزش مدلهای عظیم توانایی دارند هموار سازد، مانند مدلهای زبانی که امروزه در چتباتها و دستیارهای هوشمند استفاده میشوند.لیانگ فنگ با اشاره به تاریخچه دانشگاه پنسیلوانیا که زادگاه «ENIAC» (انیاک)، نخستین رایانه دیجیتال جهان بود، میگوید: «این تراشه میتواند نخستین گام بهسوی یک انیاک فوتونیک باشد. ما در حال بازنویسی آینده محاسبات هستیم، و حالا نور، قلم این داستان است.» چرا این نوآوری مهم است؟جهان ما بیش از هر زمان دیگری به هوش مصنوعی وابسته است، از تشخیصهای پزشکی گرفته تا خودروهای خودران و حتی پیشنهاد فیلم در پلتفرمهای پخش آنلاین.
اما این فناوری پرهزینه است، هم از نظر مالی و هم از نظر زیستمحیطی. تراشه فوتونیک دانشگاه پنسیلوانیا نهتنها میتواند این هزینهها را کاهش دهد، بلکه سرعت نوآوری را هم افزایش خواهد داد. با آموزش سریع و کارآمدتر مدلهای هوش مصنوعی، این فناوری میتواند به ما کمک کند تا چالشهای بزرگتری را حل کنیم، از تغییرات اقلیمی گرفته تا اکتشافات فضایی.این نوآوری همچنین یادآور قدرت خلاقیت انسانی است. در جهانی که فناوری با سرعتی سرسامآور در حال تغییر است، این مهندسان با استفاده از سادهترین و در عین حال عمیقترین عنصر طبیعت یعنی نور، موفق شدهاند راهی نو برای آینده بسازند.