رایانش فوتونیک و آینده هوش مصنوعی؛ انقلابی در سرعت و بهره‌وری انرژی – خبرگزاری مهر | اخبار ایران و جهان

به گزارش خبرنگار مهر؛ رشد انفجاری مدل‌های یادگیری عمیق در دهه گذشته، مرزهای رایانش الکترونیکی را به چالش کشیده است. این مدل‌ها که از میلیاردها پارامتر تشکیل شده‌اند، برای آموزش و استنتاج نیازمند توان پردازشی بسیار بالا و منابع انرژی عظیم هستند. در نتیجه، محدودیت‌های ترانزیستورهای سیلیکونی، پدیده‌های حرارتی و هزینه‌های زیست‌محیطی مراکز داده به یکی از گلوگاه‌های اصلی توسعه هوش مصنوعی تبدیل شده‌اند. پژوهشگران در واکنش به این بحران، مسیرهای جایگزین متعددی را جست‌وجو کرده‌اند که از جمله آن‌ها می‌توان به رایانش کوانتومی، معماری‌های نوروموفیک و رایانش فوتونیک اشاره کرد. یکی از امیدبخش‌ترین این مسیرها، رایانش فوتونیک (Photonic Computing) محسوب می‌شود؛ رویکردی که به‌جای جریان الکترون، از فوتون‌ها برای پردازش و انتقال داده بهره می‌گیرد. در این فناوری، نور به عنوان حامل اطلاعات، نه تنها سرعت پردازش را چندین برابر افزایش می‌دهد، بلکه مصرف انرژی را به شکل چشمگیری کاهش می‌دهد. پژوهش‌های اخیر در این زمینه، گامی بنیادین در تحقق این رؤیای بلندپروازانه به شمار می‌رود و چشم‌اندازی از رایانش هوش مصنوعی آینده را ترسیم می‌کند که در آن سرعت نور، مرز نهایی عملکرد تراشه‌های هوش مصنوعی خواهد بود.

رایانش مبتنی بر نور: گشودن مرز جدیدی در یادگیری عمیق

در قلب شبکه‌های عصبی عمیق، عملیات ریاضی پیچیده‌ای از جمله ضرب ماتریسی و توابع غیرخطی انجام می‌شود. برآوردهای صورت گرفته نشان می‌دهد که این فرایندها به توان پردازشی عظیمی نیاز دارند؛ امری که در تراشه‌های سیلیکونی سنتی موجب افزایش دما و مصرف انرژی بیشتر می‌شود. در مقابل، رایانش فوتونیک با استفاده از ویژگی‌های موجی نور می‌تواند این عملیات پردازشی را با سرعتی بسیار بیشتر و اتلاف انرژی بسیار کمتر انجام دهد.

بر همین اساس، پژوهشگران گروه فوتونیک کوانتومی و هوش مصنوعی در مؤسسه فناوری ماساچوست (MIT)، به سرپرستی دکتر درک انگلاند، در دسامبر سال ۲۰۲۴ نوعی تراشه فوتونیک طراحی کردند که می‌تواند تمامی محاسبات کلیدی یک شبکه عصبی عمیق را به‌صورت نوری و درون تراشه انجام دهد. این تراشه نه‌تنها از انتقال داده‌ها بین سیستم‌های نوری و الکترونیکی بی‌نیاز است، بلکه به‌صورت کامل عملیات خطی و غیرخطی شبکه را در دامنه‌ی نور پیاده‌سازی می‌کند. علاوه بر این، بسیاری از شرکت‌های فناوری در سطح جهان نیز تحقیقات خود را برای دستیابی به کاربردهای تجاری این فناوری را در سال جاری به شکل محسوسی افزایش داده‌اند.

نوآوری کلیدی: واحدهای عملکردی غیرخطی نوری (NOFU)

بر نتایج تحقیقات صورت گرفته، یکی از چالش‌های اصلی در رایانش فوتونیک، اجرای عملیات غیرخطی محسوب می‌شود. به عبارت دیگر، فوتون‌ها برخلاف الکترون‌ها، تمایل کمی به برهم‌کنش دارند و همین موضوع پیاده‌سازی توابع مورد نیاز برای پیشبرد رایانش را دشوار می‌سازد. تیم مؤسسه فناوری ماساچوست در تحقیقات خود این چالش را با طراحی واحدهای عملکردی غیرخطی نوری (Nonlinear Optical Function Units – NOFUs) برطرف کرده است.

این واحدها ترکیبی از اپتیک و الکترونیک هستند و بخش کوچکی از نور را برای تبدیل به سیگنال الکتریکی استفاده می‌کنند تا عملیات غیرخطی را روی همان تراشه انجام دهند. به ادعای پژوهشگران فعال در پروژه مذکور، این روش مصرف انرژی را به‌شدت کاهش داده و نیاز به تقویت‌کننده‌های خارجی را از بین می‌برد.

عملکرد در مقیاس نانوثانیه

نتایج آزمایش‌های مؤسسه فناوری ماساچوست درباره تراشه‌های فوتونیک را می‌توان شگفت‌انگیز توصیف کرد. بر همین اساس، تراشه نوری توانست عملیات کلیدی یک وظیفه طبقه‌بندی داده را در کمتر از نیم نانوثانیه با دقتی بیش از ۹۲ درصد انجام دهد؛ سطحی از عملکرد که با سخت‌افزارهای دیجیتال پیشرفته برابری می‌کند. افزون بر این، شبکه عصبی فوتونیک توانسته است در فرایند آموزش درجا (in-situ training) به دقت بالای ۹۶ درصد برسد؛ فرآیندی که در سخت‌افزارهای دیجیتال به‌طور معمول انرژی‌بر و زمان‌بر است.

دکتر سومیل باندیوپادیای، نویسنده اصلی مقاله تحقیقاتی ناظر بر تحقیقات مؤسسه فناوری ماساچوست در این خصوص گفت: «اکنون که می‌توانیم کل شبکه عصبی را در مقیاس نوری و در زمان نانوثانیه اجرا کنیم، باید در سطحی بالاتر به طراحی الگوریتم‌ها و کاربردها فکر کنیم.» این جمله بیانگر تغییری پارادایمی در تفکر مهندسی هوش مصنوعی است که شامل گذار از محدودیت‌های سیلیکون به قلمرو نور می‌شود.

ساخت و مقیاس‌پذیری صنعتی

یکی از نقاط قوت تراشه‌های فوتونیک آن است که با استفاده از فرآیندهای متداول تولید «CMOS» ساخته می‌شود. این بدان معناست که فناوری جدید می‌تواند به‌سادگی در خطوط تولید فعلی تراشه‌ها ادغام شود. از همین روی، رایانش فوتونیک نه تنها یک دستاورد آزمایشگاهی، بلکه گامی به سوی تجاری‌سازی در مقیاس بزرگ محسوب می‌شود.

به گفته پژوهشگران، گام بعدی تمرکز بر اتصال این تراشه‌ها به سامانه‌های الکترونیکی واقعی مانند دوربین‌ها، حسگرهای لیدار، یا زیرساخت‌های مخابراتی مربوط است. همچنین، توسعه الگوریتم‌هایی که بتوانند از مزیت‌های ذاتی نور، از جمله سرعت، هم‌زمانی بالا و بهره‌وری انرژی استفاده کنند، از اولویت‌های آینده این مسیر پژوهشی هستند.

پیامدهای استراتژیک برای آینده هوش مصنوعی

به عقیده بسیاری از کارشناسان، رایانش فوتونیک نه‌تنها راهکاری فناورانه بلکه تغییری راهبردی در اقتصاد محاسباتی هوش مصنوعی محسوب می‌شود. در عصر مدل‌های عظیم مانند «GPT» یا «Gemini» که میلیاردها پارامتر دارند، مصرف انرژی مراکز داده به یکی از چالش‌های کلیدی جهان تبدیل شده است. بر اساس برآوردهای مستقل، مجموع مصرف برق مراکز داده مبتنی بر پردازنده گرافیکی در حال نزدیک شدن به مرز مصرف انرژی معادل چند کشور اروپایی هستند.

متخصصان ادعا می‌کنند که در این چارچوب، تراشه‌های فوتونیک می‌توانند هزینه و مصرف انرژی آموزش مدل‌های بزرگ را تا چند مرتبه کاهش دهند و زمینه‌ساز رایانش هوش مصنوعی به صورت بی‌درنگ (real-time AI) شوند. علاوه بر این، کاربردهای مستقیم این فناوری شامل سامانه‌های لیدار، تحلیل داده‌های نجومی، فیزیک ذرات و شبکه‌های مخابراتی با پهنای باند بالا است.

جمع‌بندی

تحقیقات اخیر صورت گرفته توسط نهادهای علمی و تجاری حوزه فناوری نشان می‌دهند که آینده هوش مصنوعی ممکن است نه در سیلیکون، بلکه در قلمرو نور رقم بخورد. این تغییر پارادایمی، به معنای آغاز عصری است که در آن محدودیت‌های فیزیکی تراشه‌های نیمه‌هادی جای خود را به قابلیت‌های موجی و کوانتومی نور می‌دهد. رایانش فوتونیک با ترکیب سرعت نوری، توان پردازشی عظیم و بهره‌وری انرژی بی‌سابقه، می‌تواند نسل جدیدی از تراشه‌های هوش مصنوعی را پدید آورد که نه‌تنها سریع‌تر، بلکه پایدارتر، مقیاس‌پذیرتر و از نظر زیست‌محیطی کم‌هزینه‌تر هستند.

افزون بر این، توسعه تراشه‌های فوتونیک می‌تواند ساختار بنیادی مراکز داده و زیرساخت‌های ابری را دگرگون کند. تصور کنید دیتاسنترهایی که اکنون هزاران پردازنده گرافیکی را برای آموزش مدل‌های زبانی به کار می‌گیرند، در آینده با تعداد اندکی واحد پردازش فوتونیک (PPU) قادر به انجام همان حجم محاسبات، آن هم با مصرف انرژی چند ده برابر کمتر باشند. چنین تغییری نه تنها هزینه آموزش مدل‌ها را کاهش می‌دهد، بلکه امکان استقرار سامانه‌های هوش مصنوعی در لبه شبکه (Edge AI) را نیز فراهم می‌سازد.

اگر مسیر توسعه صنعتی و الگوریتمی این فناوری با حمایت دولت‌ها، سرمایه‌گذاری شرکت‌های نیمه‌هادی و طراحی الگوریتم‌های سازگار با معماری نوری ادامه یابد، احتمالاً در دهه آینده شاهد گذار تاریخی ازپردازنده‌های گرافیکی به واحد پردازش فوتونیک خواهیم بود؛ قلب تپنده نسل آینده هوش مصنوعی که سرعت آن با نور اندازه‌گیری می‌شود.