מחקרים אחרונים עשו צעדים משמעותיים בפיתוח רשתות עצביות אופטיות, והציגו אלטרנטיבה בת קיימא למודלים עתירי האנרגיה והמשאבים הנמצאים כיום בשימוש. על ידי מינוף התפשטות האור דרך סיבים מולטי-מודים ומספר מינימלי של פרמטרים הניתנים לתכנות, החוקרים השיגו דיוק דומה למערכות דיגיטליות מסורתיות עם דרישות זיכרון ואנרגיה מופחתות משמעותית. גישה חדשנית זו מציעה נתיב מבטיח לעבר פתרונות חומרה חסכוניים באנרגיה ויעילים ביותר.
ארכיטקטורה חדשנית לרשתות עצביות אופטיות משתמשת בעיצוב חזית גל כדי לתמרן במדויק את המעבר של פולסים אולטרה-קצרים דרך סיבים מולטי-מודים, מה שמאפשר חישוב אופטי לא ליניארי.
מערכות בינה מלאכותית של ימינו מסתמכות על מיליארדי פרמטרים מתכווננים כדי להשיג מטרות מורכבות. עם זאת, הכמות העצומה של הפרמטרים הללו כרוכה בהוצאות משמעותיות. ההכשרה והיישום של מודלים נרחבים כל כך דורשים זיכרון וכוח עיבוד ניכרים, הזמינים רק במתקני מרכז נתונים עצומים, וצורכים אנרגיה בהתאם לדרישות החשמל של ערים בינוניות. בתגובה, החוקרים בוחנים כעת מחדש הן את תשתית המחשוב והן את למידת מכונה אלגוריתמים להבטחת קידום בר קיימא של בינה מלאכותית ממשיך בקצב הנוכחי.
יישום אופטי של ארכיטקטורות רשתות עצביות הוא שדרה מבטיחה בגלל יישום הספק נמוך של החיבורים בין היחידות. מחקר חדש שדווח ב פוטוניקה מתקדמת משלב התפשטות אור בתוך סיבים מולטי-מודים עם מספר קטן של פרמטרים הניתנים לתכנות דיגיטלית ומשיג את אותם ביצועים במשימות סיווג תמונות עם מערכות דיגיטליות מלאות עם יותר מפי 100 פרמטרים ניתנים לתכנות.
מסגרת חישובית זו מייעלת את דרישת הזיכרון ומפחיתה את הצורך בתהליכים דיגיטליים עתירי אנרגיה, תוך השגת אותה רמה של דיוק במגוון משימות למידת מכונה.
פריצת דרך בחישובים אופטיים לא ליניאריים
לבה של עבודה פורצת דרך זו, בהובלת הפרופסורים דמטרי פסלטיס וכריסטוף מוסר מ-EPFL (המכון הפדרלי השוויצרי לטכנולוגיה בלוזאן), טמון בשליטה המדויקת של פולסים אולטרה-קצרים בתוך סיבים מולטי-מודים באמצעות טכניקה המכונה עיצוב חזית גל. זה מאפשר יישום של חישובים אופטיים לא ליניאריים עם מיקרו וואט של הספק אופטי ממוצע, להגיע לשלב מכריע במימוש הפוטנציאל של רשתות עצביות אופטיות.
"במחקר זה, גילינו שבאמצעות קבוצה קטנה של פרמטרים, אנו יכולים לבחור סט ספציפי של משקולות מודל מבנק המשקולות שאופטיקה מספקת ולהפעיל אותה עבור משימת המחשוב המכוונת. בדרך זו, השתמשנו בתופעות טבעיות כחומרת מחשוב מבלי להיכנס לצרות של ייצור ותפעול של מכשיר מיוחד למטרה זו", אומר אילקר אוגוז, מחבר שותף ראשי של העבודה.
תוצאה זו מסמנת צעד משמעותי לקראת התמודדות עם האתגרים שמציבה הדרישה ההולכת וגוברת למודלים גדולים יותר של למידת מכונה. על ידי רתימת הכוח החישובי של התפשטות האור דרך סיבים מולטי-מודים, החוקרים סללו את הדרך לפתרונות חומרה בעלי אנרגיה נמוכה ויעילים ביותר בתחום הבינה המלאכותית.
כפי שהוצג בניסוי האופטיקה הלא ליניארית המדווחת, ניתן להשתמש במסגרת חישובית זו גם לתכנות יעיל של תופעות שונות במימד גבוה ולא ליניארי לביצוע משימות למידת מכונה, והיא יכולה להציע פתרון טרנספורמטיבי לאופי עתיר המשאבים של מודלים נוכחיים של AI.
