التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف بناءً على تغيير المرحلة لجميع أنظمة الخلايا العصبية البصرية

نشرت Nature مؤخرًا بحثًا جديدًا أجرته شركة IBM. يمكن أن تكون الشبكة العصبية العميقة "البصرية بالكامل" المبنية بأجهزة بصرية أكثر كفاءة في استخدام الطاقة من طرق الحوسبة التقليدية، وتتمتع بمزايا قابلية التوسع، وعدم وجود تحويل كهروضوئي، وعرض النطاق الترددي العالي. وقد يضع هذا الاكتشاف الأساس لظهور مسرع الشبكة العصبية الضوئية في المستقبل. فالألياف الضوئية قادرة على نقل البيانات إلى جميع أنحاء العالم على شكل ضوء، وهو ما أصبح دعامة تكنولوجيا الاتصالات الحديثة. ومع ذلك، إذا كانت بيانات الإرسال هذه بحاجة إلى تحليل، فيجب تحويلها من الإشارات الضوئية إلى إشارات إلكترونية، ومن ثم معالجتها بواسطة المعدات الإلكترونية. لبعض الوقت، تم اعتبار البصريات أساسًا لتكنولوجيا الحوسبة الأكثر إمكانات في المستقبل، ولكن بالمقارنة مع التقدم السريع لأجهزة الكمبيوتر الإلكترونية، فمن الواضح أن القدرة التنافسية لتكنولوجيا الحوسبة الضوئية غير كافية. ومع ذلك، في السنوات القليلة الماضية، انخفضت الصناعة لقد أولى المزيد والمزيد من الاهتمام لتكلفة الطاقة الحاسوبية. ولذلك، فقد اجتذب نظام الحوسبة الضوئية المزيد والمزيد من الاهتمام مرة أخرى. تتميز الحوسبة الضوئية باستهلاك منخفض للطاقة ويمكن استخدامها كأجهزة تسريع خاصة لخوارزميات الذكاء الاصطناعي، مثل الشبكة العصبية العميقة (DNN). مؤخرًا، نشر فيلدمان وآخرون أحدث التقدم في "تنفيذ جميع الشبكات البصرية" في مجلة Nature.

تتضمن الشبكة العصبية العميقة خلايا عصبية اصطناعية متعددة الطبقات ومشابك اصطناعية. يمكن أن تكون قوة هذه الاتصالات، التي تسمى أوزان الشبكة، إيجابية، مما يشير إلى إثارة الخلايا العصبية، أو سلبية، مما يشير إلى تثبيط الخلايا العصبية. ستبذل الشبكة قصارى جهدها لتقليل الفرق بين المخرجات الفعلية والمخرجات المتوقعة، وذلك لتغيير وزن المشابك العصبية لأداء مهام مثل التعرف على الصور. عادةً ما يتم استخدام وحدة المعالجة المركزية ومسرعات الأجهزة الأخرى لحساب DNN. يمكن لتدريب DNN استخدام مجموعة البيانات المعروفة، ويمكن استخدام DNN المدرب لاستنتاج البيانات غير المعروفة في المهمة. على الرغم من أن كمية الحساب كبيرة، إلا أن تنوع عمليات الحساب لن يكون مرتفعًا جدًا، لأن عملية "الضرب والتراكم" هي المهيمنة في العديد من الأوزان التشابكية والإثارة العصبية. لا يزال بإمكان DNN العمل بشكل طبيعي عندما تكون دقة الحساب منخفضة. ولذلك، تمثل شبكات DNN فرصًا محتملة لتقنيات الحوسبة غير التقليدية. يحاول الباحثون بناء مسرع DNN استنادًا إلى أجهزة ذاكرة غير متطايرة جديدة. يمكن لهذا النوع من المعدات أيضًا حفظ المعلومات عند قطع مصدر الطاقة، وتحسين سرعة وكفاءة استخدام الطاقة لـ DNN من خلال الحوسبة الإلكترونية التناظرية.

فلماذا لا تفكر في استخدام البصريات؟ يمكن أن تحتوي مكونات توجيه الضوء على كمية كبيرة من البيانات - سواء كانت أليافًا ضوئية للاتصالات أو أدلة موجية على الرقائق الضوئية. في هذا النوع من الدليل الموجي، يمكن استخدام تقنية "مضاعفة تقسيم الطول الموجي" للسماح للعديد من الأطوال الموجية المختلفة للضوء بالانتشار معًا. يمكن بعد ذلك تعديل كل طول موجي (تغييره بطريقة يمكنها حمل المعلومات) بمعدل محدود بعرض النطاق الترددي المتاح المتعلق بالإلكترون والتعديل البصري والكشف الإلكتروني البصري. 1 جميع الدوائر العصبية ذات النبض البصري يتيح استخدام الرنانات إضافة أو إزالة طول موجي واحد، تمامًا مثل تحميل وتفريغ الشاحنات. يمكن إنشاء مجموعة الوزن المتشابك لشبكة DNN باستخدام مرنان حلقة ميكرون. يمكن تعديل الرنان حرارياً، أو تعديله كهروضوئيًا، أو تعديله بواسطة مواد متغيرة الطور. يمكن لهذه المواد التبديل بين الطور غير المتبلور والطور البلوري، وتختلف قدرة امتصاص الضوء للمواد المختلفة بشكل كبير. في ظل الظروف المثالية، يكون استهلاك الطاقة للضرب والتراكم منخفضًا جدًا.

قام فريق بحث فيلدمان بتنفيذ "جميع الشبكات العصبية الضوئية" على شريحة ضوئية ملليمترية، حيث لا يتم استخدام التحويل الكهروضوئي في الشبكة. يتم تعديل البيانات المدخلة إلكترونيًا إلى أطوال موجية مختلفة ويتم حقنها في الشبكة، ولكن بعد ذلك تظل جميع البيانات على الشريحة. تُستخدم مواد تغيير الطور المتكامل لضبط الوزن التشابكي ودمج الخلايا العصبية. 2 توليد النبض وتشغيل الخلايا العصبية الاصطناعية يوضح المؤلفون التعلم الخاضع للإشراف وغير الخاضع للإشراف على نطاق صغير - أي التدريب باستخدام البيانات المصنفة (تعلم DNN) والتدريب باستخدام البيانات غير المسماة (على غرار التعلم البشري).

التين. 3 التعلم الخاضع للإشراف والتعلم غير الخاضع للإشراف يعتمد على تغيير الطور في جميع أنظمة الخلايا العصبية البصرية، نظرًا لأن تعبير الوزن يتحقق عن طريق امتصاص الضوء، فإن الوزن السلبي يتطلب إشارة انحياز أكبر، والتي لا يمكنها تنشيط مادة تغيير الطور. هناك طريقة بديلة تتمثل في استخدام جهاز مقياس تداخل Mach Zehnder لتقسيم دليل موجي واحد إلى ذراعين ثم إعادة تجميعهما. في هذا الوقت، تعتمد كمية الضوء المرسلة على اختلاف الطور البصري بين مساري الانتشار. ومع ذلك، قد يكون من الصعب الجمع بين هذه الطريقة وتعدد الإرسال بتقسيم الطول الموجي، لأن ذراع كل مقياس تداخل يحتاج إلى إدخال فرق طور مناسب لكل طول موجي. ولا يزال التنفيذ البصري لـ DNN يواجه تحديات كبيرة. من الناحية المثالية، قد يكون إجمالي استخدام الطاقة منخفضًا، وغالبًا ما تكون الطاقة الحرارية الضوئية مطلوبة لضبط فرق الطور البصري والحفاظ عليه في كل ذراع مقياس تداخل Mach Zehnder.

التين. 4 بنية قابلة للتطوير لجميع الشبكات العصبية الضوئية بالإضافة إلى ذلك، يجب معايرة إجمالي الطاقة الضوئية التي يتم حقنها في النظام الذي يحتوي على مواد متغيرة الطور بعناية لجعل استجابة المواد لإشارة الإدخال تلبي التوقعات. على الرغم من أنه يمكن أيضًا استخدام المواد المتغيرة الطور لضبط طور Mach Zehnder، إلا أنه سيكون هناك اقتران متقاطع لا مفر منه بين شدة الضوء التي تمتصها المواد وإبطاء سرعة الضوء، مما سيزيد من تعقيد النظام. لقد تم تطوير DNN التقليدي على نطاق واسع، والذي قد يحتوي على آلاف الخلايا العصبية وملايين المشابك العصبية. ومع ذلك، يجب أن تكون الأدلة الموجية للشبكات الضوئية بعيدة عن بعضها البعض لمنع الاقتران وتجنب الانحناء الحاد لمنع الضوء من مغادرة الدليل الموجي. لأن تقاطع الدليلين الموجيين قد يضخ طاقة غير مرغوب فيها في المسار الخاطئ، مما يحد بشكل كبير من الخصائص ثنائية الأبعاد لتصميم الرقاقة الضوئية.

التين. 5. التنفيذ التجريبي للشبكة العصبية النبضية أحادية الطبقة يستغرق بناء شبكة عصبية للأجهزة البصرية مسافة طويلة ومساحة كبيرة، إلا أن تصنيع الأجزاء الرئيسية لكل بنية بصرية يحتاج إلى دقة عالية. وذلك لأن الدليل الموجي ومنطقة الاقتران، مثل مدخل ومخرج كل مرنان ميكرورينج، يجب أن يصل إلى الحجم الدقيق المطلوب لأداء الشبكة المقابل. هناك أيضًا العديد من القيود على كيفية تصنيع رنانات الرنين الصغيرة. أخيرًا، توفر تقنية التعديل تأثيرًا بصريًا ضعيفًا وتتطلب منطقة تفاعل طويلة لتحقيق مستوى كبير من التأثير المحدود على مرور الضوء.

ومن المتوقع أن يؤدي التقدم المحرز في بحث فريق فيلدمان إلى تعزيز التطوير المستقبلي لهذا المجال. قد يضع هذا البحث الأساس لظهور مسرعات الشبكات العصبية الضوئية الموفرة للطاقة والقابلة للتطوير في المستقبل.