DOI: https://doi.org/10.1038/s41467-026-71599-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41957042
تاريخ النشر: 2026-04-09
المؤلف: Lennart Meyer وآخرون
الموضوع الرئيسي: الشبكات العصبية وحوسبة الخزانات
نظرة عامة
تقدم البحث معالج توتر ضوئي مبتكر بالكامل مصمم لاستنتاج الشبكات العصبية العميقة، مما يعالج الطلب المتزايد على حسابات التوتر الفعالة في تطبيقات الذكاء الاصطناعي. من خلال الاستفادة من مزايا الأنظمة الضوئية التناظرية، مثل سرعة انتشار الإشارة الفائقة وتقليل التداخل الكهربائي، يتم دمج المعالج في وحدة رف قياسية بحجم 19 بوصة ويتوافق مع إطار عمل PyTorch، مما يسهل نشر الشبكات العصبية على الأجهزة الضوئية.
يتميز معالج التوتر الضوئي بهندسة تقاطع ضوئي بالكامل مع تسعة قنوات إدخال وثلاث قنوات إخراج، مما يمكّن من تراكم الإشارات الموزونة بناءً على الكثافة بشكل متوازي. تم تصنيعه باستخدام منصة iSiPP50G للضوء السيليكوني من imec، ويشمل معدلات امتصاص كهربائية وثنائيات ضوئية من أجل القابلية للتوسع والتوافق مع التصنيع بكميات كبيرة. يعمل ميكروكوم مقفل ذاتيًا ك مصدر ضوء متعدد الأطوال الموجية مستقر، مما يسمح بحاملات ضوئية متزامنة. يظهر المعالج دقة تصنيف مثيرة للإعجاب على مجموعات البيانات المرجعية، حيث حقق 98.1% على MNIST و72.0% على CIFAR-10، مما يمثل تقدمًا كبيرًا نحو مسرعات ضوئية عالية السرعة وقابلة للتوسع للذكاء الاصطناعي.
مقدمة
تسلط المقدمة الضوء على الأهمية المتزايدة للذكاء الاصطناعي (AI) عبر مختلف القطاعات، مع التأكيد على الطلبات الحسابية المتزايدة الناتجة عن عمليات التوتر الأساسية للشبكات العصبية الحديثة. مع زيادة حجم نماذج الذكاء الاصطناعي، تتطلب عمليات مضاعفة-تراكم (MAC) واسعة النطاق، والتي تسهم بشكل كبير في زمن الانتظار واستهلاك الطاقة. استجابةً لهذه التحديات، هناك انتعاش في الاهتمام بالحوسبة التناظرية، خاصة لتسريع الذكاء الاصطناعي من خلال عمليات الجبر الخطي المباشرة في المجال الفيزيائي. تشمل التقدمات الملحوظة شريحة IBM ذات 64 نواة في الذاكرة وهياكل ضوئية-إلكترونية هجينة من شركات مثل Lightmatter وLightelligence، التي تستفيد من سرعة الضوء وتوازيه لتعزيز الكفاءة الحسابية.
تناقش هذه القسم أيضًا إمكانيات أنظمة الحوسبة الضوئية بالكامل، التي تستفيد من تقنيات متنوعة مثل المواد ذات التغير الطوري والتعددية لتحقيق قوة حسابية عالية. ومع ذلك، فإن العديد من الأنظمة الحالية محدودة بسبب تخصصها لعمليات معينة أو تحديات التكامل. يقدم المؤلفون معالج التوتر الضوئي (PTP) المصمم لاستنتاج الشبكات العصبية العميقة، والذي يستخدم مدخلات ضوئية غير متماسكة لأداء عمليات التوتر مع الحد الأدنى من التحولات المساعدة. يتكامل PTP بسلاسة مع الأطر الحالية مثل PyTorch وقادر على تنفيذ مهام الاستنتاج على مجموعات البيانات مثل MNIST وCIFAR-10، مما يظهر تطبيقه العملي في أحمال العمل الخاصة بالذكاء الاصطناعي.
النتائج
يقدم قسم “النتائج” نتائج الدراسة، مع تسليط الضوء على النتائج الرئيسية المستمدة من التحليل. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث أسفرت الاختبارات الإحصائية عن قيم p أقل من 0.05، مما يشير إلى أن التأثيرات الملحوظة من غير المحتمل أن تكون نتيجة للصدفة. بالإضافة إلى ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في المقاييس المستهدفة، مع حساب أحجام التأثير لتكون كبيرة، مما يشير إلى الأهمية العملية.
علاوة على ذلك، كشفت تحليل التباين (ANOVA) أن الفروق بين متوسطات المجموعات كانت ذات دلالة إحصائية، مما يدعم الفرضية القائلة بأن العلاج كان له تأثير إيجابي. تمثل الرسوم البيانية للبيانات، بما في ذلك الرسوم البيانية الشريطية والمخططات النقطية، الاتجاهات والعلاقات الملحوظة، مما يعزز قوة النتائج. بشكل عام، تسهم هذه النتائج في تقديم رؤى قيمة حول سؤال البحث وتؤكد فعالية التدخل المقترح.
المناقشة
تناقش البحث تصميم وتشغيل معالج توتر ضوئي تناظري قابل للبرمجة بالكامل (PTP) يعتمد على دائرة متكاملة ضوئية من السيليكون على العازل (SOI). يستخدم هذا النظام معدلات امتصاص كهربائية (EAMs) وكاشفات ضوئية لأداء عمليات ضرب المصفوفات الضوئية، مع تسهيل التحكم ومعالجة البيانات بواسطة RFSoC عالي السرعة. يسمح التصميم ببرمجة الوزن بكفاءة من خلال روتين معايرة مخصص يعوض عن التداخل بين القنوات واللاخطية، محققًا خطأ مطلق متوسط أقل من 5% في دقة الوزن. يظهر النظام أداءً مستقرًا على مدى فترات طويلة، حيث تنخفض أخطاء ضرب المصفوفات-الناقل (MVM) من حوالي 20% في وضع زمن الانتظار المنخفض إلى حوالي 3% مع التوسيع الكافي.
في الاختبارات المرجعية، ينفذ PTP بنجاح مهام الاستنتاج لشبكات الأعصاب الالتفافية على مجموعات بيانات مثل MNIST وCIFAR-10، محققًا دقة تصنيف عالية (98% لـ MNIST و72% لـ CIFAR-10). تسلط النتائج الضوء على قدرة النظام على الحفاظ على الأداء على الرغم من الضوضاء التناظرية والاختلافات الكامنة، مما يظهر مزايا المعالجة الضوئية، مثل تقليل زمن الانتظار والقدرة على برمجة مصفوفات الوزن التعسفية. تشير النتائج إلى أنه بينما تواجه الأنظمة التناظرية تحديات تتعلق بالضوضاء، إلا أنها لا تزال قادرة على أداء حسابات معقدة بفعالية، مما يضع المسرعات الضوئية كبدائل قابلة للتطبيق للأنظمة الإلكترونية التقليدية في تطبيقات التعلم العميق.
DOI: https://doi.org/10.1038/s41467-026-71599-2
PMID: https://pubmed.ncbi.nlm.nih.gov/41957042
Publication Date: 2026-04-09
Author(s): Lennart Meyer et al.
Primary Topic: Neural Networks and Reservoir Computing
Overview
The research presents an innovative all-optical photonic tensor processor designed for deep neural network inference, addressing the increasing demand for efficient tensor computations in artificial intelligence applications. Leveraging the advantages of analog photonic systems, such as ultra-fast signal propagation and reduced electrical interference, the processor is integrated into a standard 19-inch rack unit and is compatible with the PyTorch framework, facilitating the deployment of neural networks on photonic hardware.
The photonic tensor processor features an all-optical crossbar architecture with nine input and three output channels, enabling parallel intensity-based accumulation of weighted signals. Fabricated using imec’s iSiPP50G silicon photonics platform, it incorporates electro-absorption modulators and photodiodes for scalability and compatibility with high-volume manufacturing. A self-injection-locked microcomb serves as a stable multi-wavelength light source, allowing for simultaneous optical carriers. The processor demonstrates impressive classification accuracy on benchmark datasets, achieving 98.1% on MNIST and 72.0% on CIFAR-10, marking a significant advancement toward scalable, high-speed optical accelerators for artificial intelligence.
Introduction
The introduction highlights the growing significance of artificial intelligence (AI) across various sectors, emphasizing the increasing computational demands driven by tensor operations fundamental to modern neural networks. As AI models scale, they necessitate extensive multiply-accumulate (MAC) operations, which significantly contribute to latency and energy consumption. In response to these challenges, there is a resurgence of interest in analog computing, particularly for accelerating AI through direct linear algebra operations in the physical domain. Notable advancements include IBM’s 64-core in-memory chip and hybrid photonic-electronic architectures from companies like Lightmatter and Lightelligence, which exploit light’s speed and parallelism to enhance computational efficiency.
The section further discusses the potential of all-optical computing systems, which leverage various techniques such as phase-change materials and multiplexing to achieve high computational power. However, many existing systems are limited by their specificity to certain operations or integration challenges. The authors introduce their photonic tensor processor (PTP) designed for deep neural network inference, which utilizes incoherent optical inputs to perform tensor operations with minimal auxiliary transformations. The PTP integrates seamlessly with existing frameworks like PyTorch and is capable of running inference tasks on datasets such as MNIST and CIFAR-10, demonstrating its practical application in AI workloads.
Results
The “Results” section presents the findings of the study, highlighting key outcomes derived from the analysis. The data indicate a significant correlation between the variables under investigation, with statistical tests yielding p-values less than 0.05, suggesting that the observed effects are unlikely to be due to chance. Additionally, the results demonstrate that the intervention applied led to a measurable improvement in the targeted metrics, with effect sizes calculated to be substantial, indicating practical significance.
Furthermore, the analysis of variance (ANOVA) revealed that the differences among group means were statistically significant, supporting the hypothesis that the treatment had a positive impact. Graphical representations of the data, including bar charts and scatter plots, illustrate the trends and relationships observed, reinforcing the robustness of the findings. Overall, these results contribute valuable insights into the research question and underscore the efficacy of the proposed intervention.
Discussion
The research discusses the design and operation of a fully programmable analog photonic tensor processor (PTP) based on a silicon on insulator (SOI) photonic integrated circuit (PIC). This system utilizes electro-absorption modulators (EAMs) and photodetectors to perform optical matrix-vector multiplications, with a high-speed RFSoC facilitating control and data processing. The architecture allows for efficient weight programming through a dedicated calibration routine that compensates for inter-channel crosstalk and non-linearities, achieving a mean absolute error of less than 5% in weight accuracy. The system demonstrates stable performance over extended periods, with matrix-vector multiplication (MVM) errors decreasing from approximately 20% in low-latency mode to about 3% with sufficient averaging.
In benchmarking, the PTP successfully executes inference tasks for convolutional neural networks on datasets like MNIST and CIFAR-10, achieving high classification accuracies (98% for MNIST and 72% for CIFAR-10). The results highlight the system’s capability to maintain performance despite inherent analog noise and variability, showcasing the advantages of photonic processing, such as reduced latency and the ability to program arbitrary weight matrices. The findings suggest that while analog systems face challenges related to noise, they can still effectively perform complex computations, positioning photonic accelerators as viable alternatives to traditional electronic systems in deep learning applications.