شبکههای عصبی یک ساختار معمولی هستند که هوش مصنوعی میتواند بر اساس آن بنا شود. اصطلاح "عصبی" توانایی یادگیری آنها را توصیف میکند، که تا حدودی عملکرد نورونها را در مغز ما تقلید میکند. برای اینکه بتوانیم کار کنیم، چندین عنصر کلیدی مورد نیاز است: یکی از آنها یک تابع فعالسازی است که غیرخطی بودن را به ساختار وارد میکند. یک تابع فعالسازی فوتونی دارای مزایای مهمی برای پیادهسازی شبکههای عصبی نوری مبتنی بر انتشار نور است. محققان در گروه تحقیقاتی استیلر در موسسه ماکس پلانک برای علم نور (MPL) و دانشگاه لایبنیتس هانوفر (LUH) با همکاری دیرک انگلوند در MIT اکنون بهطور تجربی یک تابع فعالسازی تماماً نوری را بر اساس امواج صوتی متحرک نشان دادهاند. این تابع برای طیف گستردهای از رویکردهای شبکه عصبی نوری مناسب است و امکان عملکرد در بعد فرکانس مصنوعی به اصطلاح را فراهم میکند.
هوش مصنوعی (AI) بهطور گستردهای مورد استفاده قرار میگیرد و برای تقویت مهارتهای انسانی مانند تجزیه و تحلیل دادهها، تولید متن و تشخیص تصویر طراحی شده است. عملکرد آن در بسیاری از زمینهها از انسان فراتر رفته است، به عنوان مثال از نظر سرعت. وظایفی که در صورت انجام دستی ساعتها طول میکشد، میتواند در عرض چند ثانیه تکمیل شود.
در میان گزینههای دیگر، هوش مصنوعی میتواند بر اساس شبکههای عصبی مصنوعی الهام گرفته از مغز باشد. مشابه نورونها در مغز انسان، گرههای شبکههای عصبی در یک ساختار بسیار پیچیده به هم متصل شدهاند. در حال حاضر، آنها بیشتر با استفاده از اتصالات دیجیتال پیادهسازی میشوند. تجربه اخیر در آموزش هوش مصنوعی مانند مدلهای زبان بزرگ نشان داده است که مصرف انرژی آنها بسیار زیاد است و در سالهای آینده بهطور تصاعدی افزایش خواهد یافت. بنابراین، دانشمندان بهطور فشرده در حال تحقیق در مورد یک راه حل هستند و سیستمهای فیزیکی مختلفی را در نظر میگیرند که میتوانند از سیستمهای الکترونیکی برای وظایف خاص پشتیبانی کنند یا به طور جزئی جایگزین آنها شوند. این شبکهها میتوانند بر اساس مواد نوری، ساختارهای مولکولی، رشتههای DNA یا حتی توسعه ساختارهای قارچی باشند.
اپتیک و فوتونیک مزایای بسیاری نسبت به سیستمهای الکترونیکی معمولی دارند
اپتیک و فوتونیک از پهنای باند بالا و رمزگذاری اطلاعات در نمادهای چند بعدی برخوردار هستند - هر دو دلیل برای سرعت بخشیدن به سیستم ارتباطی ما. سیستمهای فوتونی در حال حاضر بسیار پیشرفته هستند و اغلب امکان پردازش موازی و اتصال به سیستمهای مستقر مانند اینترنت جهانی مبتنی بر فیبر نوری را فراهم میکنند. هنگام مقیاسبندی، فوتونیک همچنین نوید مصرف انرژی کمتر برای مشکلات پیچیده را میدهد. اکنون گروههای تحقیقاتی در حال بهرهبرداری از این منابع و دانش برای پیادهسازی شبکههای عصبی نوری به روشهای مختلف هستند. با این حال، بسیاری از چالشهای کلیدی باید مورد توجه قرار گیرند، به عنوان مثال مقیاسبندی سختافزار فوتونی و پیکربندی مجدد شبکههای عصبی.
تابع فعالسازی تماماً کنترلشده نوری بر اساس امواج صوتی برای اولین بار نشان داده شد
محققان در آزمایشگاه استیلر روی اپتواکوستیک و بهطور خاص روی چالش شبکههای عصبی نوری که توسط امواج صوتی واسطه میشوند، کار میکنند. برای مقیاسبندی شبکههای عصبی نوری، آنها اکنون یک تابع فعالسازی ایجاد کردهاند که میتواند بهطور کامل نوری کنترل شود. اطلاعات نیازی به تبدیل مجدد از دامنه نوری به دامنه الکترونیکی ندارند. این توسعه یک گام مهم برای محاسبات فوتونی است، یک جایگزین محاسباتی آنالوگ فیزیکی که نوید این را میدهد که در درازمدت بتواند هوش مصنوعی کارآمد از نظر انرژی را تحقق بخشد. یک شکل ساده از یک شبکه عصبی شامل یک مجموع وزنی از بیتهای اطلاعات ورودی و یک تابع فعالسازی غیرخطی است. تابع فعالسازی غیرخطی برای مدلهای یادگیری عمیق برای یادگیری حل وظایف پیچیده ضروری است. در شبکههای عصبی نوری، این قطعات نیز بهطور ایدهآل در دامنه فوتونی پیادهسازی میشوند. برای مجموع وزنی - یک اپراتور ماتریس - در حال حاضر تعداد زیادی رویکرد فوتونی وجود دارد. این در مورد تابع فعالسازی غیرخطی صدق نمیکند، که برای آن رویکردهای کمی بهطور تجربی نشان داده شده است.
بیرگیت استیلر، رئیس گروه تحقیقاتی "اپتواکوستیک کوانتومی" میگوید: "چشمانداز بلندمدت ایجاد شبکههای عصبی نوری کارآمدتر از نظر انرژی بستگی به این دارد که آیا ما قادر به مقیاسبندی سیستمهای محاسباتی فیزیکی هستیم یا خیر، فرآیندی که بهطور بالقوه توسط یک تابع فعالسازی فوتونی تسهیل میشود."
یک تابع فعالسازی غیرخطی فوتونی معادل نوری توابع فعالسازی غیرخطی مورد استفاده در شبکههای عصبی مصنوعی است، اما با استفاده از دستگاههای فوتونی به جای الکترونیک پیادهسازی میشود. این غیرخطی بودن را به سیستمهای محاسباتی فوتونی معرفی میکند و شبکههای عصبی تماماً نوری و شتابدهندههای یادگیری ماشین نوری را فعال میکند. نمونههایی از توابع فعالسازی، توابع ReLU، sigmoid یا tanh هستند و میتوانند مجموع وزنی ورودیها را به یک شبکه عصبی مصنوعی تبدیل کنند.
امواج صوتی به عنوان یک واسطه برای یک تابع فعالسازی فوتونی موثر
دانشمندان گروه تحقیقاتی استیلر در MPL و LUH، با همکاری دیرک انگلوند از MIT، اکنون نشان دادهاند که امواج صوتی میتوانند واسطه یک تابع فعالسازی فوتونی موثر باشند. اطلاعات نوری نیازی به خروج از دامنه نوری ندارند و مستقیماً در فیبرهای نوری یا موجبرهای فوتونی پردازش میشوند. از طریق اثر پراکندگی تحریکشده بریلوئن، اطلاعات ورودی نوری بسته به سطح شدت نوری، یک تغییر غیرخطی را تجربه میکنند.
گریگوری اسلینکو، یکی از دو نویسنده اصلی، میگوید: "تابع فعالسازی فوتونی ما میتواند به روشی همهکاره تنظیم شود: ما پیادهسازی یک تابع سیگموئید، ReLU و درجه دوم را نشان میدهیم و این مفهوم همچنین امکان توابع عجیب و غریبتر را در صورت نیاز برای انواع خاصی از وظایف فراهم میکند." استیون بکر، نویسنده اصلی دیگر، اضافه میکند: "یک مزیت جالب از یک قانون تطبیق فاز سخت در پراکندگی تحریکشده بریلوئن ناشی میشود: فرکانسهای نوری مختلف - برای محاسبات موازی - میتوانند بهطور جداگانه مورد خطاب قرار گیرند، که ممکن است عملکرد محاسباتی شبکه عصبی را افزایش دهد."
گنجاندن یک تابع فعالسازی فوتونی در یک شبکه عصبی نوری، پهنای باند دادههای نوری را حفظ میکند، از تبدیل الکترو نوری جلوگیری میکند و انسجام سیگنال را حفظ میکند. کنترل همهکاره تابع فعالسازی غیرخطی با کمک امواج صوتی، امکان پیادهسازی طرح را در سیستمهای فیبر نوری موجود و همچنین تراشههای فوتونی فراهم میکند.