شبکه‌های عصبی، حوزه محاسبات را دگرگون خواهند کرد. پژوهشگران برای خلق ماشین‌های یادگیری که قادرند مهارت‌های زیادی انجام دهند شبکه‌های عصبی را به کار می‌گیرند. این مهارت‌ها شامل تشخیص اشیا، تشخیص چهره، پردازش زبان‌های طبیعی و ترجمه می‌شوند. به همین دلیل تمایل زیادی وجود دارد که شبکه‌های عصبی پیشرفت کند تا هوش مصنوعی نیز مسیر رو به جلوی خود را طی کند. در این راستا هدف اصلی ایجاد مدارهای الکتریکی است که شبیه به سلول‌های عصبی مغز انسان کار کنند. اما چگونه می‌توان این مدارها را برای پردازش داده سریعتر کرد؟
شبکه‌های عصبی مصنوعی مبتنی بر فوتونیک
شبکه‌های عصبی مبتنی بر نور می‌توانند به محاسبات بسیار سریع کمک کنند. پژوهشگران برای خلق ماشین‌های یادگیری که قادر هستند مهارت‌های زیادی انجام دهند شبکه‌های عصبی را به کار می‌گیرند. پیش از این تنها انسان قادر به یادگیری زمینه‌های مختلفی از مهارت‌ها بود. این مهارت‌ها شامل تشخیص اشیا، تشخیص چهره، پردازش زبان‌های طبیعی و ترجمه می‌شوند که هم‌اکنون از مهارت‌های معمول ماشین‌های یادگیری شده است.
به همین دلیل تمایل زیادی وجود دارد که شبکه‌های عصبی پیشرفت کند تا هوش مصنوعی نیز مسیر رو به جلوی خود را طی کند. در این راستا هدف اصلی ایجاد مدارهای الکتریکی است که شبیه به سلول‌های عصبی مغز انسان کار می‌کنند. به این مدارها، تراشه‌های neuromorphic گفته می‌شود. اما چگونه می‌توان این مدارها را سریعتر کرد؟
به لطف پژوهش‌های الکساندر تیت (Alexander Tait) و همکارانش در دانشگاه پرینستون در نیوجرسی پاسخ این پرسش پیدا شد. این گروه یک تراشه عصبی‌گون سیلیکونی مبتنی بر فوتونیک ساختند که محاسبات را با سرعت بسیار زیاد انجام می‌دهد.
رایانش نوری
رایانش نوری رویای دیرین دانشمندان علم رایانه است. فوتون‌ها از الکترون‌ها پهنای باند بیشتری دارند بنابراین داده‌های بیشتری با سرعت بالاتر پردازش می‌کنند. مزایای فوق‌العاده استفاده از سامانه‌های پردازش نوری در مقابل هزینه بسیار بالای ساخت آن به چشم نمی‌آید. برای همین این سامانه‌ها هیچگاه به صورت گسترده استفاده نشده‌اند. این دیدگاه در برخی از کاربردها مانند پردازش سیگنال آنالوگ در حال تغییر است چون به پردازش‌های با سرعت فوق‌العاده بالا نیاز دارد و تنها تراشه‌های فوتونیک این قابلیت را دارند.
هم‌اکنون شبکه‌های عصبی فرصت جدیدی برای رایانش نوری ایجاد کرده است.
الکساندر تیت می‌گوید: «با اعمال شبکه‌های عصبی فوتونیک بر بسترهای سیلیکونی نوری امکان دسترسی به سامانه پردازش داده فوق‌سریع برای حوزه رادیویی و کنترل و محاسبات رایانه‌ای فراهم می‌شود.»
ساخت تراشه عصبی‌گون سیلیکونی مبتنی بر فوتونیک
چالش اصلی چنین سامانه‌ای، ایجاد یک دستگاه نوری است که هر گره عملکردی مانند یک سلول عصبی داشته باشد. این گره‌ها به شکل هادی‌های موج دایره‌ای بسیار کوچک هستند که در بستر سیلیکون حک شده‌اند و نور می‌تواند در این دایره‌ها گردش کند. نور انتشاری، خروجی لیزر را که دارای سطح آستانه است مدوله می‌کند. سامانه‌ای که تغییرات کوچک در نور ورودی تاثیر به‌سزایی در خروجی لیزر دارد.
هر گره در این سیستم با یک طول موج خاص کار می‌کند که به این فرآیند مالتی‌پلکسینگ به روش تقسیم طول موج می‌گویند. نور همه‌ی گره‌ها به وسیله یک آشکارساز، جمع می‌شود و آن نور به درون یک لیزر هدایت می‌شود. خروجی لیزر به گره‌ها وارد می‌شود و یک مدار بازحورد ایجاد می‌شود که خاصیت غیر خطی دارد.
حال پرسش اینجاست که رفتار غیرخطی این سامانه تا چه اندازه به رفتار سلول‌های عصبی، نزدیک است؟ طبق بررسی‌های پژوهشگران روی خروجی این سیستم نشان دادند که از نظر ریاضی رفتار آن معادل با شبکه عصبی بازخوردی زمان‌پیوسته (continuous-time recurrent neural network) است.
پژوهشگران می‌گویند: «ابزارهای برنامه‌نویسی شبکه‌های عصبی بازخوردی زمان‌پیوسته برای ایجاد شبکه‌های عصبی فوتونیک می‌تواند به کار گرفته شود.»
آنها سیستم را با ۴۹ گره نوری پیاده‌سازی کرده و به وسیله این سیستم یک معادله دیفرانسیلی را حل کردند. سپس نتایج حل را با یک پردازشگر معمولی مقایسه کردند. نتیجه نشان داد که این شبکه، ۱۹۶۰ مرتبه سریعتر از یک پردازشگر معمولی است.
این پژوهش می‌تواند فرصتی برای ورود حوزه جدید رایانش نوری به جریان اصلی علم محاسبات باشد. شبکه عصبی فوتونیک رده‌ای از سامانه‌های فوتونیک سیلیکونی برای پردازش اطلاعات مقیاس‌پذیر به شمار می‌آیند. پژوهشگران دیگر نیز از جمله Yichen Shen در دانشگاه MIT ساختاری از شبکه عصبی فوتونیک ارائه کرد و عناصر آن را با استفاده از پردازنده قابل برنامه‌ریزی نانوفوتونیک نمایش دادند.
این مسیر به عملکرد نسل نخست تراشه‌های الکترونیکی neuromorphic بستگی دارد. شبکه‌های عصبی فوتونیک باید عملکرد بسیار خوبی داشته باشند و مزایای قابل‌توجهی را ارائه دهند تا به‌‌طور گسترده مورداستفاده قرار گیرند. هم‌اکنون دوره قابل‌توجه و جالبی برای علم فوتونیک ایجاد شده است.
منبع: Technologyreview
