هوش مصنوعی در فوتونیک کلاسیک و کوانتومی

خلاصه

دهه‌های گذشته شاهد ظهور عظیم هوش مصنوعی (AI) به عنوان ابزاری قدرتمند برای تقویت تحقیقات صنعتی و علمی در طیف گسترده‌ای از زمینه‌ها بودیم. هوش مصنوعی و فوتونیک در حال توسعه یک هم افزایی دو طرفه امیدوارکننده هستند: از یک طرف، رویکردهای هوش مصنوعی می توانند برای کنترل تعدادی از فرآیندهای فوتونیک خطی و غیرخطی پیچیده، هم در رژیم های کلاسیک و هم در رژیم کوانتومی استفاده شوند. از سوی دیگر، فوتونیک می‌تواند راه را برای کلاس جدیدی از پلتفرم‌ها برای سرعت بخشیدن به وظایف هوش مصنوعی هموار کند. این بررسی مفاهیم اساسی یادگیری ماشین (ML) و شبکه‌های عصبی (NN) را در اختیار خواننده قرار می‌دهد و کاربردهای اصلی هوش مصنوعی را در زمینه‌های طیف‌سنجی و شیمی‌سنجی، تصویربرداری محاسباتی (CI)، شکل‌دهی جبهه موج و اپتیک کوانتومی ارائه می‌کند. این بررسی با مروری بر پیشرفت‌های آینده همکاری امیدوارکننده بین هوش مصنوعی و فوتونیک به پایان می‌رسد.

1. مقدمه

هوش مصنوعی (AI) بدون شک یکی از فعال‌ترین زمینه‌های تحقیقاتی در سال‌های اخیر است که می‌تواند سرمایه‌گذاری‌های بی‌سابقه‌ای را جمع‌آوری کند و اثرات اقتصادی زیادی ایجاد کند.[1] تعریف هوش مصنوعی، درست مانند تعریف هوش، بسیار گسترده است، و در کمال تعجب هنوز هم محل بحث بین کارشناسان است.[2] اجماع عمومی هوش مصنوعی را علمی تعریف می‌کند که سیستم‌ها/ماشین‌هایی مصنوعی را مطالعه می‌کند که رفتار انسان/هوشمند را تقلید می‌کنند. در میان شاخه‌های مختلف هوش مصنوعی، یکی که بیشترین تأثیر را در چندین زمینه مختلف علمی و مهندسی داشت، یادگیری ماشین (ML) است، علمی که به مطالعه نحوه آموزش خودکار رایانه‌ها برای حل وظایف پیچیده از تجزیه و تحلیل داده‌ها می‌پردازد. افزایش اخیر محبوبیت ML مربوط به فرصت های جدیدی است که توسط یادگیری عمیق (DL) باز شده است، روشی که از پیشرفت های قدرت محاسباتی برای حل کارهای بسیار پیچیده مانند بینایی کامپیوتر، تشخیص گفتار و ماشین های خودران استفاده می کند. و هدف آن تقریب توابع انتقال غیرخطی، با استفاده از ماهیت داده محور آنهاست.

فوتونیک یکی از فعال ترین و امیدوارکننده ترین زمینه ها در علم، فناوری و مهندسی است. ترکیبی از تکنیک‌های هوش مصنوعی و فوتونیک منجر به پیشرفت‌های پیشگامانه در بسیاری از کاربردها شده است و فرصت‌های بزرگی را برای هر دو زمینه فراهم می‌کند. در واقع، از یک طرف فوتونیک می تواند برای تولید مجموعه داده های غنی برای وظایف محاسباتی ML مورد استفاده قرار گیرد، از طرف دیگر سیستم های فوتونیک یک پلت فرم جالب برای اجرای هوش مصنوعی هستند. ارتباطات فیبر نوری و پردازش تصویر برای تشخیص پزشکی بوده است.

چندین تکنیک مبتنی بر هوش مصنوعی با هدف بهبود عملکرد سیستم‌های ارتباطی نوری، که عمدتاً بر کنترل و مدیریت دستگاه‌های فوتونیک متمرکز شده‌اند، توسعه یافته‌اند. مقالات تحقیقاتی و بررسی های زیادی در این زمینه منتشر شده است.[5-10] Mata et al.[5] پیاده سازی های مختلف هوش مصنوعی در ارتباطات شبکه های نوری را بررسی کرد. برخی از تکنیک‌ها می‌توانند به بهبود پیکربندی و عملکرد دستگاه‌های شبکه کمک کنند، برخی دیگر برای نظارت بر عملکرد نوری، تشخیص فرمت مدولاسیون یا کاهش غیرخطی‌های فیبر و کیفیت تخمین انتقال استفاده می‌شوند. در مورد یکسان سازی اعوجاج جبهه موج غیرخطی در ارتباطات نوری، سهم مربوطه توسط کارهای گروه ناکامورا ارائه شده است. آنها یک مدل شبکه عصبی (NN) را پیشنهاد کردند که دارای یک لایه پنهان تنها برای جبران اعوجاج مدولاسیون خود فاز در سیگنال‌های چند سطحی نوری است.[11] جالب توجه است که آنها تأثیر اندازه لایه پنهان را بر روی کار تساوی غیرخطی بررسی کردند. همانطور که توان ورودی افزایش می یابد و اثر مدولاسیون خود فاز سیگنال های ارسالی را به شدت تحریف می کند، تعداد بیشتری از نورون های لایه پنهان برای جبران کارآمد ارتباطات نوری مورد نیاز است. مطالعات بیشتر آنها نشان داد که چگونه یک اکولایزر غیرخطی NN چهار لایه نسبت به مدل سه لایه NN مستعد بیش‌برازش است [12] و چگونه سیگنال‌های مدولاسیون دامنه پالس 4 سطحی به شدت زیاد برازش اکولایزر NN را که معمولاً در مورد سیگنال های باینری شبه تصادفی.[13] جی و همکاران [6] یک معماری چندوظیفه‌ای جدید پیشنهاد کرد که قادر به مدیریت چندین جنبه از مدیریت شبکه‌های نوری است و از تکنیک‌های هوش مصنوعی برای تولید عملیات‌های خودسازگار و خود مدیریتی استفاده می‌کند. شبکه‌های نوری به دلیل استفاده از تکنیک‌های منسجم پیشرفته، پویایی، پیچیدگی و ناهمگونی بسیار زیادی دارند، به طوری که هوش مصنوعی ابزاری اساسی برای مدیریت آنها است. وانگ و زانگ [7] بر روی الگوریتم های پیشرفته DL تمرکز کردند و سهم DL را در ارتباطات نوری برجسته کردند. به طور خاص، آنها چندین کاربرد DL را در ارتباطات نوری، مانند شبکه‌های عصبی کانولوشنال (CNN) برای بازسازی تصویر و شبکه‌های عصبی مکرر (RNN) برای تجزیه و تحلیل داده‌های متوالی بررسی کردند. علاوه بر این، آنها یک روش مدل‌سازی کانال مبتنی بر داده را برای جایگزینی رویکرد مبتنی بر بلوک مرسوم و بهبود یادگیری انتها به انتها معرفی کردند.