درخشش LEDهای معمولی در افزایش سرعت قدرت محاسباتی هوش مصنوعی نسبت به لیزرها
لیزرها به دلیل دقت و انتشار نور تک‌رنگ، مدت‌ها است که به عنوان سنگ‌بنای کاربردهای نوری پیشرفته—از تکنولوژی‌های محاسباتی پیشرفته تا شبکه‌های فیبر نوری شناخته شده‌اند.
اما یک مطالعه جدید این باور دیرینه را به چالش می‌کشد و نشان می‌دهد که منابع نوری ساده‌تر مانند LEDها ممکن است در برخی کاربردها عملکرد بهتری داشته باشند.
این تحقیق به رهبری دانشگاه آکسفورد و با همکاری دانشگاه‌هایی مانند مونستر، هایدلبرگ و خنت اجرا شده و نشان می‌دهد که منابع نوری ساده‌تر می‌توانند قدرت محاسباتی را در تکنولوژی‌های نوظهور مانند هوش مصنوعی نوری (AI) به طور قابل‌توجهی افزایش دهند.
با کاهش نیازهای پیچیده مرتبط با لیزرها، این کشف می‌تواند راه را برای گسترش فناوری‌های AI مبتنی بر نور با راهکارهای مقرون‌به‌صرفه‌تر و با صرفه‌جویی بیشتر در انرژی باز کند.
تغییر مرجع در فناوری منابع نوری
سنتی، کارآیی یک منبع نوری بر اساس هم‌پیوندی آن—میزان پیوستگی امواج نوری در زمان و فضا سنجیده شده است. منابع با هم‌پیوندی بالا مانند لیزرها با دامنه طول موج باریک، در فناوری‌هایی مانند ارتباطات نوری، ردیابی از راه دور LiDAR و تصویربرداری پزشکی نقش اساسی دارند.
فرض رایج این بوده که منابع نوری با هم‌پیوندی بیشتر به طور مستقیم به عملکرد برتر، ارائه وضوح و دقت بالاتر بدل می‌شوند.
با این حال، این مطالعه جدید این مفهوم را واژگون کرده است. محققان نشان می‌دهند که منابع نوری با هم‌پیوندی کمتر که نور را در یک طیف گسترده از طول موج‌ها منتشر می‌کنند، می‌توانند در موقعیت‌های خاصی بهتر از لیزرها عمل کنند.
به عنوان مثال، در شتاب‌دهنده‌های AI نوری—تکنولوژی‌های نوظهور که از فوتون‌ها به جای الکترون‌ها برای محاسبات AI استفاده می‌کنند—منابع نوری با هم‌پیوندی جزئی می‌توانند کارایی محاسباتی را به‌صورت چشمگیری افزایش دهند.
تیم محققان یک منبع نوری با هم‌پیوندی جزئی را با استفاده از یک بخش باریک از طیف از آمپلیفایر فیبری دوپیده با اربیوم که به صورت الکتریکی پمپ شده است، به کار گرفتند. این تکنولوژی که به طور معمول برای تقویت سیگنال‌های نوری در ارتباطات نوری استفاده می‌شود، برای تقسیم و توزیع یکنواخت نور در میان ورودی‌های مختلف بازپیکربندی شد.
در این فرآیند، محققان دریافتند که قابلیت‌های پردازش موازی محاسبات AI به طور قابل توجهی افزایش یافته است. در یک شتاب‌دهنده نوری با چندین کانال ورودی، این پیکربندی سرعت پردازش را به اندازه N برابر افزایش داد، جایی که N نمایانگر تعداد کانال‌ها است.
پیآمدهای عملی و جهات آینده
برای آزمون سیستم خود، تیم از منبع نوری هم‌پیوندی جزئی برای تشخیص بیماری پارکینسون با تحلیل گام بیماران استفاده کردند و به دقت طبقه‌بندی چشمگیر ۹۲.۲٪ دست یافتند.
علاوه بر این، راه‌اندازی آن‌ها که از یک منبع نوری هم‌پیوندی جزئی با نه کانال ورودی استفاده می‌کند، وظایف AI با سرعت بالا را با حدود ۱۰۰ میلیارد عملیات در ثانیه انجام داد. برای مقایسه، این سرعت محاسباتی معادل با پخش بیش از دو ساعت ویدیوی 4K در تنها یک ثانیه است—یک شاهکار که به طور سنتی تنها با چندین لیزر هم‌پیوندی ممکن بود.
دکتر بویی دونگ، نویسنده اول این مطالعه از دپارتمان مواد در دانشگاه آکسفورد، به پتانسیل تحول‌گرایانه این تحقیق تاکید می‌کند. او در بیانیه مطبوعاتی گفت، “مزیت استفاده از منابع نوری ‘ضعیف‌تر’ یک اثر مقیاس‌پذیری دارد. شما می‌توانید مدل‌های هوش مصنوعی خود را ۱۰۰ برابر سریع‌تر از یک سیستم لیزری اجرا کنید، اگر شتاب‌دهنده نوری به ۱۰۰ کانال ورودی مقیاس‌دهی شود.”
هم-نویسنده اول دکتر فرانک بروکرهوف-پلوکلمن از موسسه فیزیک کیرشهف در دانشگاه هایدلبرگ اضافه می‌کند، “یک جنبه مهم‌تر این است که سیستم ما به لیزرها وابسته نیست. این امر تلاش برای کنترل نوری مانند قفل فرکانسی و مدیریت حرارتی را صرفه‌جویی می‌کند. و شما نیازی به نگرانی در مورد خطاهای فاز ندارید زیرا سیستم فقط بر روی شدت نور عمل می‌کند.”
در بیانیه مطبوعاتی، پروفسور هاریش باسکاران، محقق ارشد این مطالعه و هم‌بنیان‌گذار سالینس لابز، یادآور می‌شود، “در حالی که این کار استفاده از نور هم‌پیوندی جزئی در زمینه‌های نوظهور محاسبات نوری را نشان می‌دهد، ما همچنین بررسی خواهیم کرد که آیا این بینش می‌تواند به ارتباطات نوری اعمال شود، به ویژه در زمینه در حال تحول سریع ارتباطات نوری.”
این تحقیق در مجله Nature منتشر شده است.
