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.