هوش مصنوعی نوری ساخته شد

با اتصال دستگاه‌های بیشتر به اینترنت و تقاضای سرعت‌های بالاتر، به ویژه برای مواردی مانند تماس‌های ویدیویی، بازی‌های ابری و خانه‌های هوشمند، فشار برای سریع‌تر و کارآمدتر کردن شبکه‌های بی‌سیم افزایش یافته است، اما با پهنای باند محدود موجود، چگونه می‌توانیم با این تقاضاها همگام باشیم؟

مهندسان برای کمک به مدیریت ترافیک بی‌سیم و کاهش تاخیرها به هوش مصنوعی (AI) روی آورند اما مشکل این است که اکثر سیستم‌های هوش مصنوعی نیز بسیار کند هستند و برای ارتباطات بی‌سیم در زمان واقعی، انرژی زیادی مصرف می‌کنند به همین دلیل اکنون، محققان موسسه فناوری ماساچوست(MIT) نوع جدیدی از پردازنده هوش مصنوعی ساخته‌اند که این مشکل را با استفاده از نور حل می‌کند.

به گزارش ایسنا، این تراشه جدید که توسط موسسه فناوری ماساچوست توسعه یافته است، سیگنال‌های بی‌سیم را با سرعت نور پردازش می‌کند و می‌تواند سیگنال‌ها را در نانوثانیه تشخیص دهد و آنها را طبقه‌بندی کند که حدود ۱۰۰ برابر سریع‌تر از سیستم‌های دیجیتال فعلی است. همچنین از انرژی بسیار کمتری استفاده و آن را برای دستگاه‌های کوچکی که نیاز به عملکرد سریع بدون تخلیه باتری دارند، ایده‌آل می‌کند.

این تراشه با استفاده از علم فوتونیک ساخته شده است، به این معنی که از نور به جای برق برای پردازش داده‌ها استفاده می‌کند. این امر به آن اجازه می‌دهد تا بسیار سریع‌تر از تراشه‌های هوش مصنوعی سنتی عمل کند. همچنین فشرده، ارزان و به اندازه کافی انعطاف‌پذیر است تا برای کارهای مختلف، نه فقط پردازش سیگنال بی‌سیم، مورد استفاده قرار گیرد.

این فناوری می‌تواند به ویژه برای شبکه‌های ۶G آینده مفید باشد. در ۶G، دستگاه‌های هوشمند «رادیوهای شناختی» باید فرمت‌های سیگنال خود را در حین کار تطبیق دهند تا اتصالات پایدار و سریع باشند. تراشه جدید، به نام «شبکه عصبی نوری تبدیل فرکانس آنالوگ ضربی» (MAFT-ONN)، می‌تواند به این دستگاه‌ها کمک کند تا در زمان واقعی فکر کنند و واکنش نشان دهند.

علاوه بر ۶G، این تراشه همچنین می‌تواند به اتومبیل‌های خودران کمک کند تا فورا به محیط خود پاسخ دهند یا به دستگاه‌های پزشکی مانند ضربان‌سازهای هوشمند اجازه دهد تا سلامت بیمار را بدون تاخیر کنترل کنند.

اکثر تراشه‌های هوش مصنوعی امروزی سیگنال‌های بی‌سیم را ابتدا با تبدیل آنها به تصاویر و سپس اجرای آنها از طریق مدل‌های یادگیری عمیق، پردازش می‌کنند. این روش کارایی دارد اما کند است و به قدرت محاسباتی زیادی نیاز دارد.

سیستم‌های نوری مانند «شبکه عصبی نوری تبدیل فرکانس آنالوگ ضربی» از این مرحله صرف نظر می‌کنند و آنها کاملا در «دامنه فرکانس» کار می‌کنند، یعنی داده‌های سیگنال قبل از تبدیل به شکل دیجیتال مورد استفاده قرار می‌گیرند و باعث صرفه‌جویی در زمان و انرژی می‌شود.

برخلاف سایر تراشه‌های نوری، «شبکه عصبی نوری تبدیل فرکانس آنالوگ ضربی» فقط به یک دستگاه در هر لایه در یک شبکه عصبی نیاز دارد. همچنین عملیات ساده و پیچیده مورد نیاز برای یادگیری عمیق را فقط با استفاده از نور انجام می‌دهد.

سایت ساینس گزارش کرد، محققان از روشی به نام «ضرب فوتوالکتریک» برای افزایش کارایی و مقیاس تراشه استفاده کردند. این تراشه در آزمایش‌ها، توانست سیگنال‌ها را در یم مرحله با دقت ۸۵ درصد و با چند اندازه‌گیری اضافی با دقت بیش از ۹۹ درصد طبقه‌بندی کند و انجام یک کار فقط ۱۲۰ نانوثانیه طول می‌کشد که بسیار سریع‌تر از سیستم‌های دیجیتال فعلی است که در میکروثانیه کار می‌کنند.

محقق ارشد این تحقیق، رونالد دیویس سوم و گروه وی مجبور بودند ابزارهای یادگیری ماشین سفارشی بسازند تا با سخت‌افزار مطابقت داشته باشند و از فیزیک منحصر به فرد تراشه استفاده کنند.

آنان در مرحله بعد قصد دارند قابلیت‌های تراشه را گسترش دهند و احتمالا حتی آن را برای مدل‌های پیچیده هوش مصنوعی مانند ترانسفورماتورها یا مدل‌های زبانی بزرگ تطبیق دهند. این پیشرفت می‌تواند به تغییر شکل نه فقط شبکه‌های بی‌سیم، بلکه طیف گسترده‌ای از فناوری‌هایی که به هوش مصنوعی سریع، قابل اعتماد و کارآمد متکی هستند، کمک کند.

نتایج این تحقیق در نشریه Science Advances منتشر شده است.

پربیننده ترین پست همین یک ساعت اخیر

تصاویر جدید مینا مختاری، همسر بهرام رادان با استایل تابستانی (+عکس)

خبر بعد نظرات کاربران خبر قبل