محاسبات فوتونیک

محاسبات فوتونیک

در بخش‌های فوق، کاربردهای هوش مصنوعی در زمینه اپتیک را به طور گسترده مورد بحث قرار داده‌ایم و توانایی آن را برای کمک به فوتونیک کلاسیک و کوانتومی در طیف گسترده‌ای از کاربردهای تجربی برجسته می‌کنیم. اخیراً، یک منطقه تحقیقاتی بزرگ و رو به رشد دیدگاه مخالف را بررسی کرده است، یعنی چگونگی توسعه پلتفرم‌های فوتونیکی که می‌توانند محاسبات و وظایف هوش مصنوعی را انجام دهند. این تلاش با انگیزه بوسونیک و ماهیت غیر متقابل فوتون ها انجام می شود که به فرد امکان می دهد محاسبات موازی با پهنای باند فوق العاده وسیع انجام دهد. بررسی دقیق این موضوع از حوصله این مقاله خارج است. ما خواننده را به بررسی های عالی و مفصل [189-191] که قبلاً وجود دارد ارجاع می دهیم. در هر صورت، ما معتقدیم که برجسته کردن گام‌های اصلی در این زمینه، با آخرین نتایج تحقیقات، می‌تواند برای درک تمام جنبه‌های تأثیر متقابل بین فوتونیک و هوش مصنوعی مفید باشد.[192]

اولین پیاده‌سازی شبکه‌های عصبی نوری به دهه ۸۰ برمی‌گردد. این دو جنبه، دو ستون تحقیق در محاسبات نورومورفیک هستند، [190] یک جریان تحقیقاتی که هدف آن توسعه سخت افزاری است که ویژگی های مدل های عصبی را منعکس می کند. پیشرفت های عظیم در این زمینه با توسعه گسترده فوتونیک یپارچه سیلیکونی و با نشان دادن اینکه عملیات ضرب و انباشت (MAC) که سنگ بنای DNN است، ممکن است به طور موثر از طریق پلت فرم های نوری محاسبه شود، امکان پذیر شد.[197] این یافته‌ها به میدان محاسبات نورومورفیک قدرت جدیدی داد.[198-203]

به موازات توسعه فوتونیک سیلیکون، تقاطع دیگری بین اپتیک و هوش مصنوعی در اوایل دهه 2000، پس از اولین نمایش شبکه‌های حالت اکو[204] و ماشین‌های حالت مایع، پدیدار شد.[205] این اشیاء RNN خاصی هستند که نورون های آن توسط وزن های ثابت به هم متصل می شوند. فقط لایه نهایی برای پیش بینی خروجی از طریق رگرسیون خطی ساده آموزش داده شده است. این معماری‌ها در مفهوم محاسبات مخزن (RC) متحد شدند: [206] وزن‌های ثابت RNN اکنون با یک مخزن عمومی جایگزین شده‌اند که می‌تواند توسط هر سیستمی با دینامیک غنی و پایدار پیاده‌سازی شود.[207] این الگوی محاسباتی جدید به راحتی توسط محققان فوتونیک برای پیاده سازی RC از طریق سخت افزار نوری مورد بهره برداری قرار گرفت. [215، 216]. در سال‌های گذشته، تحقیقات بر روی محاسبات فوتونیک، [217] مهندسی نورومورفیک [218-220] و RC در حال رشد هستند. به عنوان محاسبه وضعیت پایه سیستم‌های چرخش‌های متقابل[223، 224] یا انجام کار کلاسیک ML با استفاده از چارچوب‌های محاسباتی مشابه مانند ماشین‌های یادگیری شدید[225] که از انتشار نور در فضای آزاد[226] یا از طریق فیبرها بهره‌برداری می‌کنند.[227]

ایده بهره‌برداری از سیستم‌های فیزیکی برای غلبه بر محدودیت‌های محاسباتی که الگوریتم‌های ML با مجموعه داده‌های با ابعاد بالا با آن مواجه می‌شوند، باعث ایجاد شاخه تحقیقاتی جدیدی شده است که از ویژگی‌های سیستم‌های کوانتومی به منظور بهینه‌سازی الگوریتم‌های ML کلاسیک استفاده می‌کند.[228-230] محاسبات کوانتومی در واقع به توسعه الگوریتم‌های خاصی اجازه می‌دهد که به سرعت نمایی در مقایسه با بهترین نمونه‌های کلاسیک شناخته‌شده خود دست یابند، [231، 232] بنابراین یک پلت‌فرم کوانتومی می‌تواند تعدادی از منابع غیرقابل دسترس با رایانه‌های کلاسیک را به ML ارائه دهد. استفاده از پلتفرم‌های فوتونیک کوانتومی برای بررسی این آخرین جنبه امیدوارکننده به نظر می‌رسد، همانطور که در مقالات نشان داده شده است.

فوتونیک و هوش مصنوعی

هدف این جلسه ارائه یک نمای کلی از نحوه تلاقی هوش مصنوعی (AI) با فوتونیک از دو منظر متفاوت است:

(1) استفاده از هوش مصنوعی برای فوتونیک: استفاده از شبکه‌های عصبی مصنوعی، یادگیری عمیق، یادگیری ماشین، الگوریتم‌های ژنتیک، استدلال خودکار، رویکردهای بیزی، داده‌های بزرگ، تکنیک‌های بهینه‌سازی پیشرفته برای طراحی معکوس، و سایر پارادایم‌های هوش مصنوعی برای اپتیک یکپارچه، نانوفوتونیک، از راه دور سنجش، طیف‌سنجی، میکروسکوپ، اپتیک کوانتومی، تصویربرداری محاسباتی، پروتکل‌های ارتباطی کوانتومی، واقعیت افزوده و مجازی، و سایر حوزه‌های فوتونیک.

(2) استفاده از فوتونیک برای هوش مصنوعی: استفاده از فناوری فوتونیک برای محاسبات هوش مصنوعی، مانند محاسبات نوری آنالوگ برای هوش مصنوعی، محاسبات مخزن، یادگیری ماشین کوانتومی فوتونیک، شتاب‌دهنده‌های سخت‌افزار فوتونی، محاسبات نورومورفیک، و شبکه‌های عصبی فوتونیک.

اجزای فوتونیک یکپارچه بر روی تراشه

ادغام فوتونی

این کمیته فرعی به دنبال ارسال های اصلی مربوط به اجزای فوتونیک یکپارچه بر روی تراشه، مدارهای مجتمع فوتونی، مونتاژ، اتصالات و پردازش سیگنال است. موضوعات مثال شامل موارد زیر است:

اپتوالکترونیک یکپارچه در تراشه و فوتونیک کوانتومی

مدارهای مجتمع الکترونیکی فوتونی

مدارهای یکپارچه فوتونیک برای شبکه های هوش مصنوعی، شبکه های عصبی و محاسبات نورومورفیک

عناصر فوتونیک یکپارچه برای بهبود واقعیت مجازی، واقعیت افزوده، رانندگی مستقل، تشخیص نور و سیستم های اعم

اتصالات نوری و محاسبات نوری

یکپارچگی ناهمگن و پدیده های جدید در اجزای نوری

مدولاتورهای نوری، سوئیچ ها و آشکارسازهای برای فوتونیک های یکپارچه

رزوناتورهای نوری برای ادغام فوتونیک

مدارهای مجتمع فوتونیک در مقیاس بزرگ و یکپارچگی مایکروسیستم

یکپارچه فوتونیک های مایکروویو و پردازش سیگنال فوتونی

محاسبات نورومورفیک

معرفی

در محاسبات نورومورفیک ، علاقه به کارهای پردازش شدید داده که شبکه های عصبی مصنوعی (ANN) با الهام از مغز ، بسیار قدرتمند نشان داده اند ، افزایش یافته است. تقاضا برای هوش مصنوعی (AI) و سیستم های یادگیری ماشین ، با استفاده از ANNs برای بهره برداری ، به طور چشمگیری با برنامه های چالش برانگیز (به عنوان مثال دستیاران هوش مصنوعی ، وسایل نقلیه مستقل ، داده های بزرگ ، پیش بینی های هواشناسی و رباتیک های کمکی) منفجر شده است 2،3،4. 

مهندسی نورومورفیک

مهندسی نورومورفیک ، همچنین به عنوان محاسبات نورومورفیک شناخته می شود ،  استفاده از سیستم های یکپارچه سازی در مقیاس بسیار بزرگ (VLSI) حاوی مدارهای الکترونیکی آنالوگ برای تقلید از ساختارهای عصبی بیولوژیکی موجود در سیستم عصبی است. در چند وقت اخیر ، اصطلاح نورومورفیک برای توصیف سیستم های آنالوگ ، دیجیتال ، حالت مختلط آنالوگ / دیجیتال VLSI و نرم افزاری که مدل های سیستم های عصبی را اجرا می کنند (برای درک ، کنترل حرکتی یا ادغام چند حسی) استفاده شده است. پیاده سازی محاسبات نورومورفیک در سطح سخت افزاری را می توان توسط ممریستورهای مبتنی بر اکسید ، حافظه اسپینترونیک ، سوئیچ های آستانه ای و ترانزیستورها تحقق بخشید.

یک جنبه اصلی مهندسی نورومورفیک ، درک نحوه شکل گیری تک تک سلول های عصبی ، مدارها ، برنامه ها و معماری کلی ، ایجاد محاسبات مطلوب است ، بر نحوه نمایش اطلاعات تأثیر می گذارد ، بر استحکام آسیب تأثیر می گذارد ، شامل یادگیری و توسعه است ، با تغییرات محلی (انعطاف پذیری) سازگار است ، و تغییرات تکاملی را تسهیل می کند.

مهندسی نورومورفیک موضوعی میان رشته ای است که با الهام از زیست ، فیزیک ، ریاضیات ، علوم کامپیوتر و مهندسی الکترونیک برای طراحی سیستم های عصبی مصنوعی ، مانند سیستم های بینایی ، سیستم های چشم ، پردازنده های شنوایی و ربات های خودمختار ، که فیزیکی آنها اصول معماری و طراحی بر اساس اصول سیستم عصبی بیولوژیکی است.  در اواخر دهه 1980 توسط کارور مید ساخته شد.

فوتونیک برای هوش مصنوعی و محاسبات نورومورفیک

فوتونیک برای هوش مصنوعی و محاسبات نورومورفیک

ترجمه با تیم مهندس شکوفه ساتری

چکیده

تحقیقات در زمینه محاسبات فوتونیک به دلیل تکثیر اجزای الکترونیکی الکترونیکی در سیستم عامل های تلفیقی فوتونیک رونق یافته است. مدارهای تلفیقی فوتونی ، شبکه های عصبی مصنوعی فوق سریع را فعال کرده و چارچوبی را برای کلاس جدیدی از ماشین های پردازش اطلاعات فراهم می کنند.