محاسبات فوتونیکتوضیح و تحلیلJul 11, 2026, 6:20 PM· 7 دقیقه مطالعه· #1 از 2 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 تیم سردبیری کوهستان

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.

زوایای پوشش‌داده‌نشده

  • · 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.

چرا مهم است

هوش مصنوعی در حال حاضر به دلیل گرمای فیزیکی و تقاضای عظیم برق تراشه‌های سنتی سیلیکونی محدود شده است. با اثبات اینکه محاسبات می‌تواند کاملاً در حوزه نوری انجام شود، این پیشرفت مسیری را برای سیستم‌های هوش مصنوعی ترسیم می‌کند که به طور تصاعدی سریع‌تر و بسیار کارآمدتر از نظر انرژی هستند.

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.
  • این پیشرفت برای هر سوئیچ فقط به ۴ کوادریلیونم ژول انرژی نیاز دارد و مصرف برق را به شدت کاهش می‌دهد.
  • انتقال این فناوری از محیط آزمایشگاهی به تولید تجاری در مقیاس بزرگ، همچنان یک چالش مهندسی مهم است.
4 femtojoules
انرژی مورد نیاز برای هر سوئیچ تمام نوری
16.8 meV
قدرت کوپلینگ اکسیتون-فوتون به دست آمده
80 years
زمان سپری شده از زمان معرفی اولین کامپیوتر الکترونیکی (ENIAC) در پنسیلوانیا

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.[2][6]

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.[1][5]

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.[2][4]

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.[1][6]

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.[3][7]

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.[1][4][7]

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.[3][6]

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.[1][4][5]

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.

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.[4][7]

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.[2][6]

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.[1][5]

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.[3][4]

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.[2][6]

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 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.[5][6]

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.[3][7]

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.[1][5]

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.[4][5]

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][3]

روند رویداد

  1. 1946

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

  2. 2010s

    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.

بررسی عمیق دیدگاه‌ها

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.

برای فیزیکدانان و مهندسان نوری، عدم توانایی فوتون‌ها در تعامل با یکدیگر، مانع اصلی محاسبات کاملاً نوری بوده است. این گروه استفاده تیم پنسیلوانیا از اکسیتون-پولاریتون‌ها را به عنوان یک راه‌حل ظریف برای یک مشکل فیزیکی سرسخت می‌بیند. محققان با اثبات اینکه فعال‌سازی غیرخطی می‌تواند کاملاً در حوزه نوری و تنها با ۴ فمتوژول در هر سوئیچ اتفاق بیفتد، استدلال می‌کنند که پایه نظری برای نسل بعدی محاسبات با موفقیت تأیید شده است.

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.

تحلیلگران صنعت از دریچه اقتصاد مراکز داده به این پیشرفت نگاه می‌کنند. با توجه به اینکه هایپراسکالرها در حال حاضر میلیاردها دلار صرف زیرساخت‌های خنک‌کننده و تولید برق می‌کنند تا فقط پردازنده‌های گرافیکی سیلیکونی را فعال نگه دارند، این صنعت به شدت به یک تغییر پارادایم سخت‌افزاری نیاز دارد. این دیدگاه تأکید می‌کند که با کاهش سرعت قانون مور، معماری‌های رادیکال مانند تراشه‌های اکسیتون-پولاریتون دیگر صرفاً کنجکاوی‌های دانشگاهی نیستند، بلکه ضروریات تجاری مورد نیاز برای حفظ رشد تصاعدی هوش مصنوعی هستند.

مهندسان عمل‌گرای نیمه‌رسانا

بر شکاف مهندسی عظیم بین یک نمونه اولیه آزمایشگاهی و یک تراشه تجاری قابل اعتماد و تولید انبوه تأکید می‌کنند.

در حالی که نبوغ فیزیک را تأیید می‌کنند، مهندسان تولید به واقعیت دلهره‌آور مقیاس‌دهی این فناوری اشاره می‌کنند. این آزمایش بر دی‌کالکوژنیدهای فلز واسطه (TMDs) متکی است؛ مواد دوبُعدی اتمی نازک که تولید آن‌ها در مقیاس بزرگ با قابلیت اطمینان بالا به طرز باورنکردنی دشوار است. این گروه هشدار می‌دهد که ادغام این مواد عجیب و غریب در زنجیره تأمین CMOS سیلیکونی موجود و ریشه‌دار، به میلیاردها دلار سرمایه‌گذاری و احتمالاً یک دهه یا بیشتر مهندسی تکراری نیاز خواهد داشت.

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.

اصطلاحات کلیدی

اکسیتون-پولاریتون (Exciton-polariton)
یک شبه‌ذره هیبریدی که سرعت و انتقال کم‌حرارت یک فوتون را با قابلیت‌های تعامل فیزیکی یک الکترون ترکیب می‌کند.
محاسبات فوتونیک (Photonic computing)
روشی برای پردازش داده‌ها با استفاده از نور (فوتون‌ها) به جای جریان‌های الکتریکی (الکترون‌ها).
فعال‌سازی غیرخطی (Nonlinear activation)
یک گام ریاضی در هوش مصنوعی که در آن شبکه تصمیم می‌گیرد و نیاز به یک سوئیچ منطقی فیزیکی در سخت‌افزار دارد.
فمتوژول (Femtojoule)
واحدی از انرژی برابر با یک کوادریلیونم ژول، که برای اندازه‌گیری مصرف برق میکروسکوپی عملیات محاسباتی در مقیاس نانو استفاده می‌شود.
شبه‌ذره (Quasiparticle)
یک اختلال یا تحریک در یک سیستم فیزیکی که مانند یک ذره متمایز رفتار می‌کند و توسط فیزیکدانان برای ساده‌سازی تعاملات کوانتومی پیچیده استفاده می‌شود.
دی‌کالکوژنید فلز واسطه (Transition metal dichalcogenide - TMD)
یک ماده نیمه‌رسانای اتمی نازک که در این آزمایش برای به دام انداختن نور و وادار کردن آن به تعامل با الکترون‌ها استفاده شد.

پرسش‌های متداول

اکسیتون-پولاریتون دقیقاً چیست؟

این یک شبه‌ذره هیبریدی است که با به دام انداختن نور در داخل یک نیمه‌رسانای اتمی نازک ایجاد می‌شود و فوتون‌ها (نور) را مجبور به پیوند با الکترون‌ها (ماده) می‌کند.

چرا نمی‌توانیم به سادگی از نور معمولی برای تراشه‌های هوش مصنوعی استفاده کنیم؟

ذرات نور خالص (فوتون‌ها) با یکدیگر تعامل ندارند، به این معنی که نمی‌توانند منطق «سوئیچینگ» مورد نیاز برای محاسبات را بدون تبدیل شدن به برق انجام دهند.

این روش جدید چقدر در مصرف انرژی صرفه‌جویی می‌کند؟

محققان سوئیچینگ تمام نوری را با استفاده از تنها ۴ فمتوژول (۴ کوادریلیونم ژول) انرژی نشان دادند که به طور تصاعدی کمتر از ترانزیستورهای الکترونیکی معمولی است.

این تراشه‌ها چه زمانی در کامپیوترهای ما خواهند بود؟

این در حال حاضر یک پیشرفت آزمایشگاهی است. مقیاس‌دهی این فناوری از یک حفره نانومقیاس به تراشه‌های تجاری تولید انبوه، احتمالاً سال‌ها مهندسی بیشتر نیاز خواهد داشت.

منابع

پوشش منابع

7 منبع

3 دیدگاه شناسایی‌شده

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

    Forget electrons, this breakthrough uses light-matter particles to power AI

    مطالعه در ScienceDaily
  2. [2]SciTechDailyتحلیلگران سخت‌افزار هوش مصنوعی

    Future AI Chips Could Run on Light-Matter Particles

    مطالعه در SciTechDaily
  3. [3]The Debriefناظران علم و فناوری

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

    مطالعه در The Debrief
  4. [4]The Brighter Side of Newsناظران علم و فناوری

    Forget electrons: New light-matter particle could power the future of AI

    مطالعه در The Brighter Side of News
  5. [5]Dataconomyتحلیلگران سخت‌افزار هوش مصنوعی

    Eighty years after ENIAC, Penn researchers turn to light for AI computing

    مطالعه در Dataconomy
  6. [6]Hyper.aiتحلیلگران سخت‌افزار هوش مصنوعی

    Penn physicists develop breakthrough hybrid particle for AI computing

    مطالعه در Hyper.ai
  7. [7]Physical Review Lettersمحققان محاسبات فوتونیک

    Strongly Nonlinear Nanocavity Exciton Polaritons in Gate-Tunable Monolayer Semiconductors

    مطالعه در Physical Review Letters
همیشه در جریان باشید

هر زاویه. هر روز.

دریافت هوش مصنوعی اخبار همراه با پوشش کامل منابع و تحلیل دیدگاه‌ها، مستقیم در صندوق ورودی شما.