[the_ad_placement id="scine_before_content"]

وحدات المعالجة الفوتونية توفر تعلمًا معقدًا

تتيح وحدات المعالجة المعتمدة على الفوتون تعلمًا آليًا أكثر تعقيدًا. إن التعلم الآلي الذي تنجزه الشبكات العصبية هو نهجٌ شائعٌ لتطوير الذكاء الاصطناعي، حيث يهدف الباحثون لمضاعفة فوائد الدماغ في العديد من التطبيقات.

يقترح بحث نشرته دار AIP للنشر في دورية Applied Physics Reviews نهجًا جديدًا لإنجاز الحسابات المطلوبة للشبكة العصبية، وذلك باستخدام الضوء عوضًا عن الكهرباء.

في هذا النهج، يُحدث محور الموتِر الفوتوني مضاعفةً للقوالب بالتوازي، مقدمًا بذلك سرعة وكفاءة في نماذج التعلم العميق الراهنة. رُوّضت الشبكات العصبية في التعلم الآلي لتكون قادرة على تعلم كيفية التعامل مع القرارات الغير مضبوطة وتنسيق البيانات الغير مرئية.

طالما أن الشبكة العصبية مدرَّبة على التعامل مع بيانات، فبمقدورها استخلاص نتائج لتنظيم وتنسيق العناصر والنماذج والعثور على توقيع داخل البيانات.

إن وحدة معالجة الموتِر الفوتونية تخزن وتعالج البيانات بشكلٍ متوازٍ، محدثةً بذلك رابطًا بصريًا إلكترونيًا، والذي من شأنه أن يتيح قراءة وكتابة الذاكرة البصرية بشكل فعّال، كما يتيح لوحدة معالجة الموتِر الفوتونية أن ترتبط بأساليب البناء الأخرى.

يُصرح ماريو مسكجليو Mario Miscuglio وهو أحد المؤلفين بالتالي: «وجدنا أن المنصات الفوتونية المدمجة والتي تدمج الذاكرة البصرية الفعّالة بمقدوها أن تنجز العمليات ذاتها وبشكل مشابه لوحدة معالجة الموتِر، لكن تلك المنصات تستهلك جزءًا أكبر من الطاقة كما أنها تتطلب سعة معالجة أعلى، وعندما تُروّض في الوقت المناسب يمكن استخدامها لاستخلاص نتائج عند سرعة الضوء».

تفكك معظم الشبكات العصبية الطبقات المتراصّة من الأعصاب المرتبطة بغية محاكاة العقل البشري. إحدى الطرائق الفعالة لتمثيل ذلك هو الوظيفة المركّبة والتي تُضاعف القوالب والنواقل مع بعضها البعض. يتيح هذا التمثيل إنجاز العمليات المتوازية من خلال أساليب البناء المختصة بالعمليات الموجّهة كعملية مضاعفة المصفوفة.

على أي حال، كلّما تطلبت المهمة ذكاءً أكبرَ ودقةً أعلى في التنبؤات، كلما أصبحت الشبكة أكثر تعقيدًا، كالشبكات التي تتطلّب كميات أكبر من البيانات لإجراء الحسابات وطاقة أكبر لمعالجة تلك البيانات.

تناسب المعالجات الرقمية الحالية التعلّمَ العميق، كوحدات معالجة الرسوم أو وحدات معالجة الموتِر، فمجال عملها محصورٌ بإنجاز عمليات أكثر تعقيدًا بدقةٍ أكبر وذلك عبر الطاقة المطلوبة لإنجاز ذلك وتبطيء انتقال البيانات الإلكترونية بين المعالج والذاكرة.

أظهر الباحثون أن إنجاز وحدة معالجة الموتِر خاصتهم ربما يكون إنجازًا أعلى بمرتبتين إلى ثلاث مراتب من وحدة معالجة الموتِر الإلكترونية، يمكن أن تشكل الفوتونات ندًا مثاليًا لحساب الشبكات الموزّعة عقديًا وكذلك محركاتٍ لتنفيذ المهمات الذكية مع سرعة معالجة أعلى عند حافة الشبكات، كشبكات ال5 غيغا. عند حافة الشبكات، لربما تتواجد إشارات البيانات مسبقًا بصيغة فوتونات مصدرها كاميرات المراقبة أو أجهزة الاستشعار البصرية أو مصادر أخرى.

صرح مسكجليو بالتالي: «بمقدور المعالجات المختصة بالفوتون توفير كميات هائلة من الطاقة، وتحسين زمن الاستجابة وتقليل ازدحام مركز البيانات».

يعني ذلك بالنسبة للمستخدم الأخير أن البيانات عُولجت بسرعة أكبر، لأن القسم الأكبر من البيانات قد عولجت مسبقًا، أي أن جزءًا من البيانات فقط يحتاج إرساله إلى السحابة أو مركز البيانات.

المصادر: 1