رفتن به محتوای اصلی
کوهستان
محاسبات فوتونیکتوضیح و تحلیل· 7 دقیقه مطالعه· در هوش مصنوعی

محققان ذره هیبریدی نور-ماده ساختند که می‌تواند جایگزین محاسبات الکترونیکی در تراشه‌های هوش مصنوعی شود.

فیزیکدانان دانشگاه پنسیلوانیا یک شبه‌ذره طراحی کرده‌اند که عملیات منطقی محاسباتی را با استفاده از نور به جای برق انجام می‌دهد و به طور بالقوه بحران عظیم انرژی پیش روی مراکز داده هوش مصنوعی مدرن را حل می‌کند.

به قلم ندا وزیری

هوش مصنوعی یک مشکل فیزیکی اساسی دارد. هر بار که یک مدل زبان بزرگ، یک پاراگراف تولید می‌کند یا یک سیستم بینایی کامپیوتری، یک فید ویدیویی را تجزیه و تحلیل می‌کند، به میلیاردها الکترون متکی است که مسیر خود را از طریق ترانزیستورهای میکروسکوپی سیلیکونی طی می‌کنند.

از آنجایی که الکترون‌ها حامل بار الکتریکی هستند، حرکت آن‌ها اصطکاک، مقاومت و مقادیر زیادی گرما تولید می‌کند. این اجتناب‌ناپذیری فیزیکی، که به عنوان گرمایش ژول شناخته می‌شود، دلیلی است که مراکز داده هوش مصنوعی مدرن برای جلوگیری از ذوب شدن سرورهایشان، به میلیون‌ها گالن آب و نیروگاه‌های اختصاصی نیاز دارند.

در حالی که صنعت فناوری برای ساخت مدل‌های بنیادی فزاینده بزرگ‌تر تلاش می‌کند، محدودیت‌های حرارتی محاسبات الکترونیکی سنتی در حال تبدیل شدن به یک سقف سخت است. برای ادامه مقیاس‌دهی هوش مصنوعی بدون آسیب رساندن به شبکه برق جهانی، مهندسان مدت‌هاست که به دنبال هدف نهایی سخت‌افزار بوده‌اند: محاسبات فوتونیک. به جای هل دادن الکترون‌ها از طریق مس و سیلیکون، تراشه‌های فوتونیک اطلاعات را با استفاده از فوتون‌ها (ذرات بنیادی نور) پردازش می‌کنند.

فوتون‌ها از نظر تئوری برای محاسبات عالی هستند. آن‌ها جرم ندارند، بار الکتریکی حمل نمی‌کنند و با حداکثر سرعت ممکن در جهان حرکت می‌کنند. هنگامی که داده‌ها از طریق کابل‌های فیبر نوری حرکت می‌کنند، تقریباً هیچ گرمایی تولید نمی‌کنند و با مقاومت نزدیک به صفر مواجه می‌شوند.

با این حال، همان ویژگی‌هایی که نور را بسیار کارآمد می‌سازند، یک نقص مهلک برای مهندسی کامپیوتر ایجاد می‌کنند: فوتون‌ها به شدت غیر اجتماعی هستند. از آنجایی که آن‌ها فاقد بار هستند، دو پرتو نور خالص مانند شبح‌ها کاملاً از یکدیگر عبور می‌کنند و ساخت یک سوئیچ منطقی از نور خالص را از نظر فیزیکی غیرممکن می‌سازند.

این عدم تعامل، یک گلوگاه ناامیدکننده برای نسل فعلی تراشه‌های آزمایشی هوش مصنوعی فوتونیک ایجاد کرده است. در حالی که این تراشه‌ها از نور برای انتقال سریع داده‌ها استفاده می‌کنند، هر زمان که مدل هوش مصنوعی نیاز به تصمیم‌گیری داشته باشد، باید سیگنال‌های نوری را دائماً به سیگنال‌های الکتریکی تبدیل کنند؛ فرآیندی که به عنوان فعال‌سازی غیرخطی شناخته می‌شود. این تبدیل مداوم بین نور و برق، تأخیر ایجاد می‌کند، انرژی مصرف می‌کند و تا حد زیادی هدف اصلی استفاده از نور را از بین می‌برد.

تراشه‌های فوتونیک کنونی با تبدیل نور به الکتریسیته برای تصمیم‌گیری، کارایی خود را از دست می‌دهند. اکسیتون-پولاریتون‌ها کل فرآیند را در حوزه نوری نگه می‌دارند.

اکنون، یک تیم تحقیقاتی در دانشگاه پنسیلوانیا راه حلی مهندسی کرده است که به طور کامل این گلوگاه را دور می‌زند. این تیم به رهبری فیزیکدان «بو ژن» و محقق فوق دکتری سابق «لی هه»، با موفقیت سوئیچینگ سیگنال تمام نوری را بدون تبدیل مجدد داده‌ها به برق، به نمایش گذاشتند. یافته‌های آن‌ها که در مجله Physical Review Letters منتشر شده است، روشی را برای وادار کردن نور به رفتار شبیه ماده ترسیم می‌کند.[1][2]

برای دستیابی به این هدف، محققان پنسیلوانیا از فوتون‌های خالص استفاده نکردند. در عوض، آن‌ها یک شبه‌ذره هیبریدی به نام «اکسیتون-پولاریتون» ایجاد کردند. این ذره عجیب با به دام انداختن نور در داخل یک ماده نیمه‌رسانای اتمی نازک که در یک حفره در مقیاس نانو قرار دارد، تشکیل می‌شود. محققان با فشرده‌سازی نور در چنین فضای تنگ و تخصصی، فوتون‌ها را مجبور کردند تا به شدت با الکترون‌های داخل نیمه‌رسانا کوپل شوند.[2]

اکسیتون-پولاریتون حاصل، بهترین ویژگی‌های هر دو جهان را ارائه می‌دهد. از آنجایی که بخشی از آن نور است، با سرعت‌های باورنکردنی و با اصطکاک و گرمای نزدیک به صفر حرکت می‌کند. از آنجایی که بخشی از آن ماده است، بار فیزیکی لازم برای تعامل با ذرات دیگر را داراست. هنگامی که دو جریان از این ذرات هیبریدی با هم تلاقی می‌کنند، بخش‌های الکترونی آن‌ها یک نیروی دافعه فیزیکی ایجاد می‌کنند و یک عملیات منطقی را کاملاً در حوزه نوری اجرا می‌کنند.[1]

بازده انرژی این مکانیسم حیرت‌آور است. تیم پنسیلوانیا نشان داد که یک سوئیچ تمام نوری با استفاده از اکسیتون-پولاریتون‌ها، تنها به حدود ۴ فمتوژول انرژی برای هر عملیات نیاز دارد. برای درک بهتر، ۴ فمتوژول معادل ۴ کوادریلیونم ژول است؛ مقدار بسیار ناچیزی از انرژی که چندین مرتبه کوچک‌تر از مقدار مورد نیاز ترانزیستورهای الکترونیکی معمولی است و بسیار کمتر از انرژی لازم برای روشن کردن کوتاه مدت یک LED میکروسکوپی است.

ذرات هیبریدی برای هر سوئیچ تقریباً ۴ فمتوژول (چهار کوادریلیونم ژول) انرژی نیاز دارند، که چندین مرتبه کمتر از ترانزیستورهای سیلیکونی سنتی است.

با حذف نیاز به تبدیل مجدد سیگنال‌ها به برق، این معماری می‌تواند از نظر تئوری به یک تراشه اجازه دهد تا تریلیون‌ها محاسبه هوش مصنوعی را در ثانیه انجام دهد، در حالی که انرژی کمتری نسبت به ساعت یک گوشی هوشمند استاندارد مصرف می‌کند. محققان به قدرت کوپلینگ اکسیتون-فوتون ۱۶.۸ میلی‌الکترون ولت دست یافتند، که ثابت می‌کند ذرات هیبریدی به اندازه کافی پایدار هستند تا گیت‌های منطقی قابل اعتماد را اجرا کنند.[2]

پیامدهای عملی این کشف برای هوش مصنوعی بسیار عمیق است. استنتاج هوش مصنوعی مدرن (فرآیند اجرای یک مدل آموزش‌دیده برای تولید پاسخ) به شدت به ضرب ماتریس‌ها و فعال‌سازی‌های غیرخطی متکی است. اگر این حجم کاری بتواند به طور کامل به تراشه‌های اکسیتون-پولاریتون منتقل شود، هزینه‌های عملیاتی و ردپای انرژی هایپراسکالرهای ابری می‌تواند به شدت کاهش یابد.

علاوه بر این، این فناوری دریچه‌ای را به روی پردازش نوری مستقیم باز می‌کند. در حال حاضر، هنگامی که یک سیستم هوش مصنوعی یک تقاطع شهری را نظارت می‌کند، داده‌های نوری ثبت شده توسط لنز دوربین باید به سیگنال‌های الکتریکی ترجمه شوند تا پردازنده بتواند آن‌ها را تجزیه و تحلیل کند.

با یک پردازنده کاملاً فوتونیک، نوری که به حسگر دوربین برخورد می‌کند می‌تواند مستقیماً به گیت‌های منطقی جریان یابد و به هوش مصنوعی اجازه دهد داده‌های نوری خام را به صورت بومی و بدون تأخیر تبدیل، تجزیه و تحلیل کند.

با وجود این پیشرفت، محققان در مورد زمینه‌سازی یافته‌های خود محتاط هستند. این یک نمایش آزمایشگاهی بسیار موفق است، نه یک محصول تجاری آماده برای تولید انبوه. این آزمایش بر دی‌کالکوژنیدهای فلز واسطه (TMDs) متکی بود؛ مواد دوبُعدی تخصصی که تولید آن‌ها در مقیاس مورد نیاز برای لوازم الکترونیکی مصرفی به شدت دشوار است.[1]

رسیدن از یک حفره نانومقیاس کارآمد به یک تراشه کاملاً یکپارچه حاوی میلیاردها گیت منطقی قابل اعتماد، سال‌ها مهندسی فشرده نیاز دارد. صنعت نیمه‌رسانا بیش از نیم قرن را صرف تکمیل تولید تراشه‌های CMOS سیلیکونی کرده است و ایجاد یک زنجیره تأمین موازی برای مواد نوری دوبُعدی، یک چالش صنعتی بزرگ را نشان می‌دهد.

با به دام انداختن نور در داخل یک نیمه‌رسانای اتمی نازک، محققان فوتون‌ها را مجبور می‌کنند تا با الکترون‌ها کوپل شوند و شبه‌ذره هیبریدی را ایجاد کنند.

با این حال، صنعت نیمه‌رسانا ممکن است به زودی چاره‌ای جز پذیرش این چالش نداشته باشد. با کاهش سرعت کوچک‌سازی تراشه‌های سنتی و ادامه افزایش تصاعدی تقاضای برق هوش مصنوعی، بهبودهای تدریجی در سیلیکون در نهایت ناکافی خواهند بود. تغییرات معماری رادیکال مانند محاسبات اکسیتون-پولاریتون یکی از معدود مسیرهای عملی برای حفظ انقلاب هوش مصنوعی را ارائه می‌دهد.

این تحقیق توسط دفتر تحقیقات نیروی دریایی ایالات متحده و بنیاد اسلون حمایت شد، که نشان‌دهنده علاقه جدی نهادی به مزایای استراتژیک محاسبات با توان فوق‌العاده کم است. اگر این فناوری با موفقیت مقیاس‌پذیر شود، می‌تواند نه تنها مراکز داده، بلکه محاسبات لبه، وسایل نقلیه خودران و اکتشافات فضایی عمیق را که در آن‌ها محدودیت شدید انرژی وجود دارد، متحول کند.[1][2]

یک شعر تاریخی عمیق در مورد این پیشرفت که در دانشگاه پنسیلوانیا رخ می‌دهد، وجود دارد. دقیقاً ۸۰ سال پیش، محققان در پنسیلوانیا ENIAC، اولین کامپیوتر الکترونیکی همه‌منظوره جهان را معرفی کردند. آن ماشین از لامپ‌های خلأ و جریان‌های الکترون برای حل مسائل پیچیده ریاضی استفاده می‌کرد و عصر الکترونیک مدرن را آغاز کرد.

برای هشت دهه، فرض اساسی ENIAC – هل دادن الکترون‌ها برای انجام محاسبات – به عنوان پایه و اساس بلامنازع تمام محاسبات جهانی باقی مانده است. اکنون، در حالی که پارادایم الکترونیکی سرانجام تحت وزن هوش مصنوعی شروع به خم شدن می‌کند، همان مؤسسه نگاهی اجمالی به آنچه در آینده خواهد آمد، ارائه کرده است.

برای هشت دهه، فرض اساسی ENIAC – هل دادن الکترون‌ها برای انجام محاسبات – به عنوان پایه و اساس بلامنازع تمام محاسبات جهانی باقی مانده است.

فیزیکدانان پنسیلوانیا با موفقیت به نور آموختند که چگونه تصمیم بگیرد و ثابت کردند که می‌توان گلوگاه نوری را شکست. انتقال از الکترون‌ها به اکسیتون-پولاریتون‌ها یک شبه اتفاق نخواهد افتاد، اما فیزیک دیگر صرفاً تئوری نیست. پایه و اساس عصر فوتونیک گذاشته شده است.[1]

نکات کلیدی

  • تراشه‌های هوش مصنوعی مدرن به الکترون‌ها متکی هستند که مقادیر زیادی گرما و انرژی هدر رفته تولید می‌کنند.
  • تراشه‌های فوتونیک از نور برای انتقال کارآمد داده‌ها استفاده می‌کنند، اما معمولاً باید نور را به برق تبدیل کنند تا عملیات سوئیچینگ منطقی را انجام دهند.
  • محققان دانشگاه پنسیلوانیا «اکسیتون-پولاریتون‌ها» را ایجاد کردند؛ ذرات هیبریدی که نور و ماده را ترکیب می‌کنند.
  • این ذرات اجازه می‌دهند سوئیچینگ منطقی کاملاً در حوزه نوری و بدون نیاز به تبدیل الکتریکی انجام شود.

آنچه نمی‌دانیم

  • صنعت نیمه‌رسانا با چه سرعتی می‌تواند فرآیندهای تولید قابل اعتماد برای مواد دوبُعدی مورد نیاز این تراشه‌ها را توسعه دهد.
  • آیا معماری اکسیتون-پولاریتون می‌تواند به طور یکپارچه با سیستم‌های حافظه و ذخیره‌سازی مبتنی بر سیلیکون موجود ادغام شود.
  • زمان دقیق عرضه تجاری شتاب‌دهنده‌های هوش مصنوعی کاملاً فوتونیک به ارائه‌دهندگان خدمات ابری چه زمانی خواهد بود.

روند رویداد

  1. ۱۹۴۶

    محققان دانشگاه پنسیلوانیا ENIAC را معرفی کردند و عصر محاسبات الکترونیکی را آغاز نمودند.

  2. ۲۰۱۰s

    رونق هوش مصنوعی شتاب گرفت و تراشه‌های سنتی سیلیکونی را به سمت محدودیت‌های حرارتی و فیزیکی خود سوق داد.

  3. اوایل دهه ۲۰۲۰

    استارتاپ‌های محاسبات فوتونیک ظهور کردند و از نور برای انتقال داده استفاده کردند اما همچنان برای سوئیچینگ منطقی به برق متکی بودند.

  4. آوریل ۲۰۲۶

    محققان پنسیلوانیا پیشرفت خود را در Physical Review Letters منتشر کردند و سوئیچینگ تمام نوری با استفاده از اکسیتون-پولاریتون‌ها را به نمایش گذاشتند.

محققان محاسبات فوتونیک 40%تحلیلگران سخت‌افزار هوش مصنوعی 35%ناظران علم و فناوری 25%
محققان محاسبات فوتونیک
این پیشرفت را به عنوان یک پیروزی اساسی در فیزیک می‌بینند که «گلوگاه نوری» دیرینه را که مانع از محاسبات کاملاً نوری می‌شد، حل می‌کند.
تحلیلگران سخت‌افزار هوش مصنوعی
بر ضرورت تجاری این فناوری تمرکز می‌کنند و خاطرنشان می‌سازند که سیلیکون سنتی در حال رسیدن به محدودیت‌های حرارتی است و مقیاس‌دهی هوش مصنوعی را تهدید می‌کند.
ناظران علم و فناوری
بر اهمیت تاریخی گذار از الکترون‌ها به نور تأکید می‌کنند، در حالی که شکاف مهندسی عظیم بین یک نمونه اولیه آزمایشگاهی و یک تراشه تجاری را تصدیق می‌کنند.

دیدگاه‌هایی که این گزارش پوشش نداده

  • هایپراسکالرهای ابری (مانند AWS، گوگل، مایکروسافت) که در نهایت باید این تراشه‌ها را در مراکز داده خود ادغام کنند.
  • اپراتورهای کارخانه‌های ریخته‌گری سیلیکون (مانند TSMC، اینتل) که با چالش تولید این مواد دوبُعدی در مقیاس بزرگ مواجه خواهند شد.

منابع

پوشش منابع

2 منبع

3 دیدگاه شناسایی‌شده

محققان محاسبات فوتونیک 40%تحلیلگران سخت‌افزار هوش مصنوعی 35%ناظران علم و فناوری 25%
  1. [1]The Debriefناظران علم و فناوری

    Physicists Created a New Hybrid Light-Matter Particle That Could Revolutionize Future Computation

    مطالعه در The Debrief →
  2. [2]Physical Review Lettersمحققان محاسبات فوتونیک

    Strongly Nonlinear Nanocavity Exciton Polaritons in Gate-Tunable Monolayer Semiconductors

    مطالعه در Physical Review Letters →

نظرات

همیشه در جریان باشید

هر زاویه. هر روز.

اخبار هوش مصنوعی با پوشش کامل منابع و تحلیل دیدگاه‌ها، هر روز و رایگان.