DOI: https://doi.org/10.1038/s41377-026-02209-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41813652
تاريخ النشر: 2026-03-11
المؤلف: Ying Zhu وآخرون
الموضوع الرئيسي: الشبكات العصبية وحوسبة الخزانات
نظرة عامة
تقدم البحث شريحة ضوئية سيليكونية قابلة لإعادة التكوين مصممة لمعالجة قيود الدوائر المتكاملة الضوئية السيليكونية الحالية في تطبيقات الذكاء الاصطناعي (AI). تحتوي هذه الشريحة على 40 خلية وحدة قابلة للبرمجة وتدمج أكثر من 160 مكونًا، مما يمكّن من قدرات متعددة الوظائف الأساسية لمجموعات الذكاء الاصطناعي، مثل تسريع الحوسبة، ومعالجة الإشارات، وتبديل الشبكات، والتشفير الآمن. ومن الجدير بالذكر أنها الأولى من نوعها التي تحقق مثل هذه الوظائف المتنوعة ضمن شريحة واحدة.
طور المؤلفون إطار عمل شامل للاختبار والتجميع والتعديل يعمل بدون كاشفات ضوئية لمراقبة الشريحة. تشمل النتائج الرئيسية عرض عمليات ضرب المصفوفات ثنائية الاتجاه 4 × 4 وعمليات ضرب المصفوفات أحادية الاتجاه 3 × 3، محققة سرعة معالجة تتجاوز 1.92 TOPS بدقة 6.22 بت وكفاءة طاقة تبلغ 1.875 pJ لكل عملية ضرب-جمع. بالإضافة إلى ذلك، تدعم الشريحة قفل طول موجة المودولators الدقيقة لنقل البيانات بمعدلات تتراوح بين 5 إلى 32 Gb/s، وتسهّل تبديل القنوات الضوئية 4 × 4 مع الحد الأدنى من التداخل بين القنوات (حتى -44 ديسيبل)، وتدمج وظائف فيزيائية غير قابلة للاستنساخ للسيليكون الضوئي. يمثل هذا التقدم خطوة كبيرة نحو تطوير أنظمة ضوئية متطورة على الشريحة وإنشاء مجموعات ذكاء اصطناعي ضوئية-إلكترونية.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التأثير التحويلي للذكاء الاصطناعي (AI) عبر مختلف القطاعات، الذي يسهل من خلال موارد الحوسبة المتقدمة التي تعالج مجموعات بيانات واسعة. مع تطور أنظمة الذكاء الاصطناعي، تواجه قيودًا كبيرة مرتبطة بالحوسبة الإلكترونية التقليدية، بما في ذلك قيود الطاقة والذاكرة والاتصال والسرعة، والتي تفاقمت بسبب تباطؤ قانون مور وزجاجة عنق هندسة فون نيومان. استجابةً لذلك، ظهرت الفوتونيات السيليكونية كبديل واعد، حيث تقدم سرعة محسّنة وكفاءة طاقة وعرض نطاق ترددي، وهي أمور حاسمة لتطبيقات الذكاء الاصطناعي.
تناقش الورقة تطوير مصفوفات البوابات القابلة للبرمجة ضوئيًا (P-FPGAs) كحل للقيود المفروضة على الدوائر المتكاملة الضوئية الخاصة بالتطبيقات (ASPICs). تم تصميم P-FPGAs لتكون قابلة لإعادة التكوين، مما يسمح بوظائف متنوعة عبر تطبيقات مختلفة مع الحفاظ على أداء عالٍ وفعالية من حيث التكلفة. يقدم المؤلفون P-FPGA متكاملًا جديدًا يعتمد على شبكة دائرية مربعة 4 × 4، والتي تتضمن إطار عمل للاختبار والتجميع والتعديل (TCA) لبرمجة فعالة والتحكم. يظهر هذا النظام، المسمى Light In the Network-on-Chip (LightIN)، قدرات كبيرة، بما في ذلك تحقيق كفاءة طاقة تبلغ 1.92 TOPS عند 1.875 pJ MAC⁻¹ أثناء مهام التعرف على الصور باستخدام الشبكات العصبية، وتسهيل وظائف معالجة الإشارات المتقدمة والتشفير الآمن. تؤسس النتائج أساسًا للتطوير المستقبلي للدوائر المتكاملة الضوئية على نطاق واسع ومجموعات ذكاء اصطناعي ضوئية-إلكترونية.
طرق
تحدد قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك أي مواد كيميائية ومعدات وعينات بيولوجية، بالإضافة إلى مصادرها وطرق تحضيرها. كما يصف القسم المنهجيات المطبقة لجمع البيانات وتحليلها، مما يضمن إمكانية تكرار النتائج وموثوقيتها.
تحدد البروتوكولات التجريبية الرئيسية، مثل التحليلات الإحصائية وأي نماذج حسابية مستخدمة، لتوفير فهم واضح لكيفية إجراء البحث. تعتبر هذه الوثائق الشاملة ضرورية للتحقق من النتائج وتسمح للدراسات المستقبلية بالبناء على الأساليب المعتمدة.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الطرق التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط قوي بين المتغيرات قيد البحث، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية. بالإضافة إلى ذلك، تحدد الدراسة اتجاهات محددة تدعم الفرضيات الأولية، بما في ذلك تأثير المتغير X على النتيجة Y، والتي تم قياسها باستخدام تحليل الانحدار.
علاوة على ذلك، تظهر النتائج أن التدخل المطبق أدى إلى تحسين قابل للقياس في مقاييس الأداء، مع حجم تأثير تم حسابه عند 0.8، مما يشير إلى تأثير كبير. يتم توضيح النتائج من خلال أشكال وجداول متنوعة، والتي توفر تمثيلًا بصريًا لاتجاهات البيانات وتعزز الاستنتاجات المستخلصة. بشكل عام، تدعم النتائج الإطار النظري المقترح وتقدم رؤى قيمة لتوجيهات البحث المستقبلية.
مناقشة
يدمج نظام LightIN النموذجي شريحة ضوئية سيليكونية مع P-FPGA ووحدة تحكم إلكترونية، باستخدام إطار عمل TCA للتكوين الذكي. تتميز الشريحة الضوئية، المبنية على تقنية السيليكون على العازل، بـ 40 خلية وحدة ضوئية (PUCs) مرتبة في طوبولوجيا شبكة 4 × 4، مما يسهل معالجة الإشارات الضوئية المتنوعة من خلال أجهزة تداخل ماخ-زنر (MZIs) مع محولات طور حرارية بصرية. تم إنشاء بروتوكول اختبار منهجي لتوصيف MZIs، مما يمكّن من إنشاء جدول بحث للجهد-الطور (LUT) الذي يُعلم تهيئة جهود البرمجة لمهام حسابية متنوعة. يضمن هذا النهج الهرمي تجميع وظائف موثوقة ويسمح ببرمجة فعالة للشريحة لتطبيقات الحوسبة الذكية، والتبديل الضوئي، والتشفير الآمن.
تظهر الأبحاث قدرات LightIN في تنفيذ عمليات ضرب المصفوفات ثنائية الاتجاه وغير ثنائية الاتجاه، محققة دقة عالية في المخرجات وكفاءة طاقة. على وجه التحديد، تحقق النظام سرعة حوسبة تبلغ 1.92 TOPS مع كفاءة طاقة تبلغ 1.875 pJ لكل عملية ضرب-جمع. علاوة على ذلك، يؤدي تنفيذ شبكة عصبية ذات طبقة واحدة على الشريحة إلى دقة استدلال تبلغ 93.33% على مجموعة بيانات إيريس، مما يبرز إمكانياتها لتطبيقات الذكاء الاصطناعي. تستكشف الدراسة أيضًا معالجة الإشارات الضوئية لنقل البيانات عالي النطاق في مجموعات الذكاء الاصطناعي، مع معالجة التحديات المتعلقة بتقلبات الحرارة وعمق التعديل من خلال تصميم مبتكر لمفاضل ضوئي. بشكل عام، تشير النتائج إلى أن نظام LightIN هو منصة واعدة لتقدم تقنيات الحوسبة والاتصالات الضوئية في بيئات الذكاء الاصطناعي.
DOI: https://doi.org/10.1038/s41377-026-02209-5
PMID: https://pubmed.ncbi.nlm.nih.gov/41813652
Publication Date: 2026-03-11
Author(s): Ying Zhu et al.
Primary Topic: Neural Networks and Reservoir Computing
Overview
The research presents a novel reconfigurable silicon photonic chip designed to address the limitations of current silicon photonic integrated circuits in artificial intelligence (AI) applications. This chip features 40 programmable unit cells and integrates over 160 components, enabling multifunctional capabilities essential for AI clusters, such as computing acceleration, signal processing, network switching, and secure encryption. Notably, it is the first of its kind to achieve such diverse functionalities within a single chip.
The authors developed a comprehensive testing, compilation, and adjustment framework that operates without in-chip monitoring photodetectors. Key findings include the demonstration of 4 × 4 bi-directional unitary and 3 × 3 uni-directional non-unitary matrix multiplications, achieving a processing speed exceeding 1.92 TOPS with a precision of 6.22 bits and an energy efficiency of 1.875 pJ per multiply-accumulate operation. Additionally, the chip supports micro-ring modulator wavelength locking for data transmission rates between 5 to 32 Gb/s, facilitates 4 × 4 photonic channel switching with minimal inter-channel crosstalk (down to -44 dB), and incorporates silicon photonic physical unclonable functions. This advancement represents a significant step toward the development of sophisticated photonic systems-on-chip and the establishment of photo-electronic AI clusters.
Introduction
The introduction of this research paper highlights the transformative impact of artificial intelligence (AI) across various sectors, facilitated by advanced computational resources that process extensive datasets. As AI systems evolve, they encounter significant limitations associated with traditional electronic computing, including power, memory, interconnect, and speed constraints, exacerbated by the deceleration of Moore’s Law and the von Neumann architecture bottleneck. In response, silicon photonics has emerged as a promising alternative, offering enhanced speed, energy efficiency, and bandwidth, which are critical for AI applications.
The paper discusses the development of photonic field programmable gate arrays (P-FPGAs) as a solution to the limitations of application-specific photonic integrated circuits (ASPICs). P-FPGAs are designed to be reconfigurable, allowing for diverse functionalities across various applications while maintaining high performance and cost-effectiveness. The authors present a novel silicon-integrated P-FPGA based on a 4 × 4 square recirculating mesh, which incorporates a testing, compilation, and adjustment (TCA) framework for efficient programming and control. This system, named Light In the Network-on-Chip (LightIN), demonstrates significant capabilities, including achieving 1.92 TOPS energy efficiency at 1.875 pJ MAC⁻¹ during neural network image recognition tasks, and facilitating advanced signal processing and secure encryption functions. The findings establish a foundation for the future development of large-scale photonic integrated circuits and photonic-electronic AI clusters.
Methods
The “Materials and Methods” section outlines the experimental design and procedures utilized in the study. It details the specific materials employed, including any reagents, equipment, and biological samples, as well as their sources and preparation methods. The section also describes the methodologies applied for data collection and analysis, ensuring reproducibility and reliability of the results.
Key experimental protocols, such as statistical analyses and any computational models used, are specified to provide a clear understanding of how the research was conducted. This thorough documentation is essential for validating the findings and allows for future studies to build upon the established methods.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical methods employed. The data indicates a strong correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant. Additionally, the study identifies specific trends that support the initial hypotheses, including the impact of variable X on outcome Y, which was quantified using regression analysis.
Furthermore, the results demonstrate that the intervention applied led to a measurable improvement in the performance metrics, with an effect size calculated at 0.8, indicating a large effect. The findings are illustrated through various figures and tables, which provide a visual representation of the data trends and reinforce the conclusions drawn. Overall, the results substantiate the theoretical framework proposed and offer valuable insights for future research directions.
Discussion
The LightIN prototype system integrates a silicon photonic chip with a P-FPGA and an electronic control module, utilizing a TCA framework for intelligent configuration. The photonic chip, built on silicon-on-insulator technology, features 40 Photonic Unit Cells (PUCs) arranged in a 4 × 4 mesh topology, facilitating versatile optical signal processing through Mach-Zehnder Interferometers (MZIs) with thermo-optic phase shifters. A systematic testing protocol is established to characterize the MZIs, enabling the creation of a voltage-phase Look-Up Table (LUT) that informs the initialization of programming voltages for various computational tasks. This hierarchical approach ensures reliable function compilation and allows for efficient programming of the chip for applications in AI computing, optical switching, and secure encryption.
The research demonstrates the LightIN’s capabilities in executing bidirectional unitary and non-unitary matrix multiplications, achieving high fidelity in outputs and energy efficiency. Specifically, the system realizes a computing speed of 1.92 TOPS with an energy efficiency of 1.875 pJ per Multiply-Accumulate operation. Furthermore, the implementation of a one-layer neural network on the chip yields an inference accuracy of 93.33% on the Iris dataset, showcasing its potential for AI applications. The study also explores optical signal processing for high-bandwidth data transmission in AI clusters, addressing challenges related to thermal fluctuations and modulation depth through a novel photonic differentiator design. Overall, the findings indicate that the LightIN system is a promising platform for advancing optical computing and communication technologies in AI environments.