شبکه‌های عصبی کانولوشنی (CNN) ستون فقرات بسیاری از موفقیت‌های هوش مصنوعی هستند؛ از تشخیص چهره در تصاویر گرفته تا خواندن دست‌نوشته‌ها و ترجمه زبان‌ها. این شبکه‌ها در شناسایی الگوها مهارت دارند و داده‌های خام را با فیلترهای کوچکی (که به آن‌ها هسته گفته می‌شود) اسکن می‌کنند تا ویژگی‌های معنادار را استخراج کنند؛ مانند ذره‌بینی دیجیتال که نکات مهم را برجسته می‌سازد.
اما این فیلترگذاری هوشمند هزینه بالایی دارد. بخش عمده‌ای از انرژی مصرفی CNNها صرف همین عملیات پیچیده می‌شود؛ عملیاتی که مانند دویدن ماراتن در میان تک‌تک پیکسل‌های یک تصویر است. قدرتمند است، اما چندان کارآمد نیست. با رشد روزافزون سیستم‌های هوش مصنوعی و افزایش نیاز آن‌ها به منابع، این روش پردازش سنگین به یک چالش تبدیل شده است. مراکز داده با افزایش تقاضای انرژی مواجه‌اند و نگرانی‌هایی درباره “رکود هوش مصنوعی” مطرح شده است؛ وضعیتی که در آن هزینه‌های بالا ممکن است نوآوری را کند کند.
برای مقابله با این چالش، پژوهشگران دانشگاه فلوریدا تراشه‌ای نوآورانه طراحی کرده‌اند. این تراشه جدید که “همبست‌ساز تبدیل مشترک فوتونی” یا pJTC نام دارد، به جای برق از نور برای انجام یکی از پرمصرف‌ترین وظایف هوش مصنوعی استفاده می‌کند. ویژگی منحصربه‌فرد آن، بازتعریف قواعد سرعت و بهره‌وری است. برخلاف فناوری‌های سنتی مانند کریستال‌های مایع یا آینه‌های میکرومکانیکی، pJTC داده‌ها و فیلترها را با سرعت گیگاهرتز برنامه‌ریزی می‌کند.
این تراشه با استفاده مجدد از اجزای فوتونی قابل اعتماد در فرستنده‌های نوری، و افزودن لنزهای فرزنل مبتنی بر فوتونیک سیلیکونی روی تراشه، محاسبات پیچیده نوری را به‌صورت درون‌تراشه‌ای انجام می‌دهد. افزون بر این، با بهره‌گیری از لیزرهای مجتمع‌شده در تراشه، pJTC می‌تواند چندین محاسبه را به‌طور همزمان با استفاده از رنگ‌های مختلف نور انجام دهد؛ روشی که “چندبخشی طیفی” نام دارد. همچنین، اتصال سیمی فوتونی باعث شده این تراشه جمع‌وجور و شکیل باشد.
در آزمایش‌ها، نمونه اولیه این تراشه توانست ارقام دست‌نویس را با دقت 98 درصد شناسایی کند؛ عملکردی که با پردازنده‌های الکترونیکی سنتی برابری می‌کند. به جای پردازش عددی معمول، این تراشه داده‌های یادگیری ماشین را به نور لیزر تبدیل می‌کند. سپس این نور از میان لنزهای فرزنل بسیار کوچک حک‌شده روی تراشه عبور می‌کند که آن را خم کرده و شکل می‌دهند تا محاسبات پیچیده انجام شود؛ مانند یک ماشین‌حساب نوری. پس از پایان محاسبات، نور دوباره به سیگنال دیجیتال تبدیل می‌شود و وظیفه هوش مصنوعی به پایان می‌رسد.
هانگبو یانگ، استاد پژوهشی در گروه سورگر در دانشگاه فلوریدا و نویسنده همکار این مطالعه، با تأکید بر اهمیت این دستاورد گفت:
این نخستین بار است که چنین نوعی از محاسبات نوری روی تراشه پیاده‌سازی شده و در شبکه عصبی هوش مصنوعی به کار گرفته شده است. ما می‌توانیم چندین طول موج یا رنگ نور را به‌طور همزمان از لنز عبور دهیم. این یکی از مزایای کلیدی فوتونیک است.
این پژوهش که در نشریه Advanced Photonics منتشر شده، با همکاری موسسه نیمه‌هادی فلوریدا، دانشگاه UCLA و دانشگاه جورج واشنگتن انجام شده است. رهبر این مطالعه، فولکر سورگر از دانشگاه فلوریدا، اشاره کرد که تولیدکنندگانی مانند انویدیا هم‌اکنون از عناصر نوری در برخی بخش‌های سیستم‌های هوش مصنوعی خود استفاده می‌کنند؛ موضوعی که می‌تواند ادغام این فناوری جدید را آسان‌تر کند. سورگر افزود:
در آینده نزدیک، اپتیک مبتنی بر تراشه به بخش کلیدی هر تراشه هوش مصنوعی تبدیل خواهد شد که روزانه از آن استفاده می‌کنیم. و محاسبات نوری در هوش مصنوعی، گام بعدی است.
با استفاده همزمان از چندین طول موج نور، این معماری فوتونی قادر است داده‌ها را با کارایی شگفت‌انگیزی پردازش کند؛ به سطح عملکردی می‌رسد که تراشه‌های سنتی را پشت سر می‌گذارد و به 305 تریلیون عملیات در ثانیه به ازای هر وات و 40.2 تریلیون عملیات در هر میلی‌متر مربع دست می‌یابد.
