DOI: https://doi.org/10.1038/s41377-025-02059-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41476051
تاريخ النشر: 2026-01-01
المؤلف: Ziyue Yang وآخرون
الموضوع الرئيسي: الشبكات العصبية وحوسبة الخزانات
نظرة عامة
تقدم هذه البحث آلة خطية ضوئية جديدة، تُسمى SUANPAN الضوئية، مصممة لمعالجة القيود المفروضة على العمليات الخطية الضوئية الحالية في الذكاء الاصطناعي (AI). تستخدم هذه البنية سلسلة من أزواج المرسل-الكاشف كوحدات حسابية مستقلة، مما يمكّن من إجراء عمليات متجهة عالية الأبعاد من خلال ترميز البت والكشف التناظري دون الحاجة إلى مجموعات محولات تناظرية إلى رقمية أو رقمية إلى تناظرية واسعة النطاق. يسمح غياب تفاعلات الشعاع بالتوسع الشديد، حيث يمكن دمج أزواج المرسل-الكاشف الإضافية بسهولة.
تظهر النتائج التجريبية أن SUANPAN الضوئية تحقق دقة حسابية تتجاوز 98% لمنتجات المتجهات الداخلية، باستخدام مصفوفة ليزر انبعاث سطحية عمودية (VCSEL) بحجم 8 × 8 بالتزامن مع مصفوفة كاشف ضوئي MoTe₂ بحجم 8 × 8. تم تطبيق النظام بنجاح لحل مشكلة تحسين ذات أبعاد 1024 وقد حقق دقة تصنيف تنافسية تبلغ 88% على مجموعة بيانات الأرقام المكتوبة بخط اليد. تضع هذه الطريقة المبتكرة SUANPAN الضوئية كأداة أساسية لتعزيز تطبيقات الذكاء الاصطناعي المختلفة من خلال حسابات المتجهات الخطية الفعالة والقابلة للتوسع.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الأهمية المتزايدة للذكاء الاصطناعي (AI) في المجالات العلمية والتجارية، مع التأكيد على التحديات التي تطرحها العمليات المتجهة عالية الأبعاد في الشبكات العصبية الاصطناعية (ANN) وحلول التحسين مثل آلة إيسينغ. مع تصاعد تعقيد المشكلات، تزداد المطالب الحسابية، مما يدفع لاستكشاف بنى الحوسبة الضوئية التي تستفيد من التوازي بين الفوتونات في ضرب المصفوفات المتجهة. تستخدم العديد من البنى الحالية، مثل هيكل ستانفورد ومصفوفات الرنانات الدقيقة، تفاعلات بين أشعة الضوء لأداء هذه العمليات. ومع ذلك، فإن الترابط بين الوحدات الأساسية في هذه الأنظمة يحد من قابلية التوسع.
لمعالجة هذه القيود، يقترح المؤلفون بنية SUANPAN، المصممة للمنتج الداخلي الضوئي لمتجهين. تتميز هذه البنية بأزواج مستقلة من المرسل-الكاشف، مما يسمح بحوسبة ضوئية قابلة للتوسع وإعادة التكوين دون قيود التفاعل لعمليات المصفوفات الضوئية التقليدية. توضح تنفيذ SUANPAN باستخدام مصفوفة ليزر انبعاث سطحية عمودية (VCSEL) بحجم 8 × 8 ومصفوفة كاشف ضوئي متوافقة أداء حسابي عالي (>98%) لمنتجات المتجهات العشوائية عبر دقة بت مختلفة وأبعاد متجهات متنوعة. تتعامل البنية بنجاح مع مهام الذكاء الاصطناعي، حيث تحل مشكلة إيسينغ ذات الأبعاد 1024 وتحقق دقة تصنيف تبلغ 88% على مجموعة بيانات MNIST، مما يضع SUANPAN كأداة واعدة لتعزيز القدرات الحسابية في تطبيقات الذكاء الاصطناعي.
طرق
في هذه الدراسة، يتم تفصيل الإعداد التجريبي لتقييم أداء كاشفات MoTe\(_2\) (PDs). يتضمن الإعداد مصفوفة ليزر انبعاث سطحية عمودية (VCSEL) بحجم 8 × 8 تنبعث الضوء عند طول موجي 850 نانومتر، والذي يتم تركيزه على مصفوفة كاشف MoTe\(_2\) باستخدام عدسة زوم. يتم تحقيق محاذاة مصفوفات VCSEL وPD من خلال مسار الإضاءة البصرية. يتم إجراء قياسات كهربائية وضوئية عند درجة حرارة الغرفة وتحت ظروف محيطة باستخدام محلل معلمات أشباه الموصلات (PDA FS380).
لتقييم الاستجابة الضوئية الزمنية لكاشفات MoTe\(_2\)، يتم استخدام محلل معلمات أشباه الموصلات جنبًا إلى جنب مع مولد موجات الوظائف (DG4062، RIGOL) الذي يعدل ليزرًا بطول موجي 635 نانومتر (S1FC635PM، Thorlabs) لإنتاج نبضات موجية مربعة. يسمح هذا التكوين بتوصيف شامل لأداء الكاشفات تحت ظروف ضوئية متغيرة.
نتائج
تتناول قسم النتائج في الورقة البحثية تنفيذ وتقييم أداء بنية SUANPAN، التي تستخدم ليزر انبعاث سطحية عمودية (VCSEL) وكاشف ضوئي من موليبدينوم ديتيلورايد (MoTe\(_2\)) لتشكيل نظام مرسل-كاشف ثنائي الاتجاه (BEAD). تسمح البنية بتشغيل مستقل لعدة VCSELs، مما يلغي الحاجة إلى قفل الطور، وهو مطلب في تصميمات الشبكات العصبية السابقة. تم اختيار كاشف MoTe\(_2\) بسبب استجابته الضوئية القابلة للتعديل، وحركية الحامل العالية للكشف السريع، وتوافقه مع التكامل غير المتجانس، مما يجعله مناسبًا لتطبيقات الحوسبة عالية السرعة.
يتم التحقق من وظيفة SUANPAN من خلال حسابات منتجات المتجهات العشوائية عند دقات بت مختلفة (2-بت، 4-بت، و8-بت)، محققة أكثر من 98% دقة في 1000 تجربة لكل مستوى دقة. من الجدير بالذكر أن البنية تحل بنجاح مشكلات إيسينغ ذات الأبعاد 30 و1024 بدقة تبلغ 99% و87.8% على التوالي. بالإضافة إلى ذلك، تُظهر SUANPAN قدرتها في الشبكات العصبية الاصطناعية (ANNs) من خلال تحقيق دقة تصنيف تبلغ 88.08% و90.12% على مجموعة بيانات MNIST للشبكات ذات الطبقة الواحدة وذات الطبقتين، على التوالي. تشير هذه النتائج إلى إمكانية بنية SUANPAN في الحساب الفعال في المجالات الضوئية، لا سيما في حل المشكلات المعقدة وتنفيذ مهام الشبكات العصبية.
نقاش
تم تصميم بنية SUANPAN الضوئية المقترحة لأداء عمليات المنتج الداخلي للمتجهات بكفاءة، باستخدام تكوين من ليزر انبعاث سطحية عمودية (VCSELs) وكاشفات MoTe2 (PDs). تتجنب هذه البنية بشكل مبتكر الحاجة إلى محولات رقمية إلى تناظرية (DACs) من خلال استخدام نموذج ترميز البت والكشف التناظري (BEAD)، حيث يقوم كل زوج من المرسل-الكاشف بترميز الضرب من خلال كثافة الضوء وحالات التشغيل والإيقاف. يُظهر النظام دقة حسابية عالية في الإعدادات التجريبية، محققًا قابلية توسيع كبيرة، وإعادة تكوين، وقابلية برمجة دون تفاعل أشعة الضوء بين BEADs، مما يسمح بالتشغيل المستقل.
تشير النتائج الرئيسية إلى أن بنية SUANPAN يمكن أن تتوسع نظريًا بلا حدود من خلال زيادة عدد BEADs، والتي يمكن دمجها في شريحة واحدة لتعزيز الكفاءة. يتم دفع استهلاك الطاقة بشكل أساسي بواسطة VCSELs، بمتوسط حوالي 2.5 مللي واط لكل BEAD عند دقة 8-بت. تُظهر البنية أيضًا سرعات حسابية واعدة، حيث تحقق التطبيقات الحالية 1.05 مليون عملية في الثانية (MOPS) من خلال المعالجة المتوازية لـ 64 BEADs. يمكن أن تعزز التحسينات المستقبلية، مثل دمج المرسلات والكاشفات على شريحة واحدة وتحسين عرض النطاق الترددي، الأداء بشكل أكبر، مما قد يتجاوز 1 بيتابايت في الثانية لكل سنتيمتر مربع في الظروف المثالية. بشكل عام، تقدم بنية SUANPAN حلاً قابلاً للتطبيق للحوسبة الهجينة الضوئية التناظرية الرقمية، مما يمهد الطريق لتطبيقات متقدمة في الذكاء الاصطناعي وما بعده.
DOI: https://doi.org/10.1038/s41377-025-02059-7
PMID: https://pubmed.ncbi.nlm.nih.gov/41476051
Publication Date: 2026-01-01
Author(s): Ziyue Yang et al.
Primary Topic: Neural Networks and Reservoir Computing
Overview
The research presents a novel photonic linear vector machine, termed the photonic SUANPAN, designed to address the limitations of current photonic linear operations in artificial intelligence (AI). This architecture utilizes a series of emitter-detector pairs as independent computing units, enabling high-dimensional vector operations through bit encoding and analog detection without the need for extensive analog-to-digital or digital-to-analog converter arrays. The absence of beam interactions allows for extreme scalability, as additional emitter-detector pairs can be easily integrated.
Experimental results demonstrate that the photonic SUANPAN achieves computing fidelities exceeding 98% for vector inner products, utilizing an 8 × 8 vertical cavity surface emission laser (VCSEL) array in conjunction with an 8 × 8 MoTe₂ photodetector array. The system has been successfully applied to solve a 1024-dimensional optimization problem and has achieved a competitive classification accuracy of 88% on a handwritten digit dataset. This innovative approach positions the photonic SUANPAN as a foundational tool for enhancing various AI applications through efficient and scalable linear vector computations.
Introduction
The introduction of this research paper highlights the growing significance of artificial intelligence (AI) in scientific and commercial domains, emphasizing the challenges posed by high-dimensional vector operations in artificial neural networks (ANN) and optimization solvers like the Ising machine. As problem complexity escalates, the computational demands increase, prompting the exploration of photonic computing architectures that leverage the parallelism of photons for vector-matrix multiplication. Various existing architectures, such as the Stanford structure and microring resonator arrays, utilize interactions between light beams to perform these operations. However, the interconnectivity of basic units in these systems limits scalability.
To address these limitations, the authors propose the SUANPAN architecture, designed for the optical inner product of two vectors. This architecture features independent emitter-detector pairs, allowing for scalable and reconfigurable photonic computing without the interaction constraints of traditional optical matrix operations. The implementation of SUANPAN using an 8 × 8 vertical cavity surface emission laser (VCSEL) array and a corresponding photodetector array demonstrates high calculation fidelity (>98%) for random vector inner products across various bit precisions and vector dimensionalities. The architecture successfully tackles AI tasks, solving a 1024-dimensional Ising problem and achieving an 88% classification accuracy on the MNIST dataset, positioning SUANPAN as a promising tool for enhancing computational capabilities in AI applications.
Methods
In this study, the experimental setup for evaluating the performance of MoTe\(_2\) photodetectors (PDs) is detailed. The setup includes an 8 × 8 vertical-cavity surface-emitting laser (VCSEL) array emitting light at a wavelength of 850 nm, which is focused onto the MoTe\(_2\) PD array using a zoom lens. The alignment of the VCSEL and PD arrays is achieved through the illumination optical path. Electrical and optoelectronic measurements are conducted at room temperature and under ambient conditions using a semiconductor parameter analyzer (PDA FS380).
To assess the time-resolved photoresponse of the MoTe\(_2\) PDs, the semiconductor parameter analyzer is employed alongside a function waveform generator (DG4062, RIGOL) that modulates a 635 nm laser (S1FC635PM, Thorlabs) to produce square wave pulses. This configuration allows for comprehensive characterization of the PDs’ performance under varying light conditions.
Results
The results section of the research paper details the implementation and performance evaluation of the SUANPAN architecture, which utilizes a vertical-cavity surface-emitting laser (VCSEL) and a molybdenum diteluride (MoTe\(_2\)) photodetector (PD) to form a bidirectional emitter-detector (BEAD) system. The architecture allows for independent operation of multiple VCSELs, eliminating the need for phase locking, which is a requirement in previous neural network designs. The MoTe\(_2\) PD is chosen for its tunable photoresponsivity, high carrier mobility for rapid detection, and compatibility with heterogeneous integration, making it suitable for high-speed computing applications.
The SUANPAN’s functionality is validated through random vector inner product calculations at various bit precisions (2-bit, 4-bit, and 8-bit), achieving over 98% fidelity in 1000 trials for each precision level. Notably, the architecture successfully solves both 30-dimensional and 1024-dimensional Ising problems with accuracies of 99% and 87.8%, respectively. Additionally, the SUANPAN demonstrates its capability in artificial neural networks (ANNs) by achieving classification accuracies of 88.08% and 90.12% on the MNIST dataset for single-layer and double-layer networks, respectively. These results indicate the potential of the SUANPAN architecture for efficient computation in optical domains, particularly in solving complex problems and executing neural network tasks.
Discussion
The proposed photonic SUANPAN architecture is designed to perform vector inner product operations efficiently, utilizing a configuration of vertical-cavity surface-emitting lasers (VCSELs) and MoTe2 photodetectors (PDs). This architecture innovatively avoids the need for digital-to-analog converters (DACs) by employing a Bit Encoding and Analog Detecting (BEAD) paradigm, where each emitter-detector pair encodes multiplication through light intensity and on-off states. The system demonstrates high computing fidelity in experimental setups, achieving significant scalability, reconfigurability, and programmability without the interaction of light beams among BEADs, thus allowing independent operation.
Key findings indicate that the SUANPAN architecture can theoretically scale infinitely by increasing the number of BEADs, which can be integrated into a single chip to enhance efficiency. The energy consumption is primarily driven by the VCSELs, with an average of approximately 2.5 mW per BEAD at 8-bit precision. The architecture also exhibits promising computing speeds, with current implementations achieving 1.05 million operations per second (MOPS) through parallel processing of 64 BEADs. Future enhancements, such as integrating emitters and detectors on a single chip and optimizing bandwidth, could further increase performance, potentially exceeding 1 petabyte per second per square centimeter in ideal conditions. Overall, the SUANPAN architecture presents a viable solution for optoelectronic analog-digital hybrid computing, paving the way for advanced applications in artificial intelligence and beyond.