معالج حيود مصمم بتقنية التعلم العميق يحسب مئات التحويلات بالتوازي

[et_pb_section fb_built =”1″ admin_label=”section” _builder_version=”4.16″ global_colors_info=”{}”][et_pb_row admin_label=”row” _builder_version=”4.16″ الخلفية_حجم=”الأولي” خلفية_الموضع=”top_left” خلفية_كرر=”تكرار ” global_colors_info=”{}”][et_pb_column type=”4_4″ _builder_version=”4.16″ custom_padding=”|||” global_colors_info=”{}” custom_padding__hover=”|||”][et_pb_text admin_label=”Text” _builder_version=”4.16″ الخلفية_حجم=”initial” الخلفية_position=”top_left” الخلفية_repeat=”repeat” global_colors_info=”{}”]

في عصرنا الرقمي، أصبحت المهام الحسابية أكثر تعقيداً، مما أدى بدوره إلى زيادة هائلة في استهلاك الطاقة من قبل الحواسيب الرقمية. لذا، بات من الضروري تطوير موارد مادية قادرة على إجراء عمليات حسابية واسعة النطاق بسرعة وكفاءة عالية في استهلاك الطاقة.

في هذا الصدد، الحواسيب الضوئيةتُعدّ التقنيات التي تستخدم الضوء بدلاً من الكهرباء لإجراء العمليات الحسابية واعدة. إذ يُمكنها توفير زمن استجابة أقل واستهلاك طاقة مُخفّض، مستفيدةً من التوازي الذي تُوفّره أنظمة بصرية ونتيجة لذلك، استكشف الباحثون تصميمات الحوسبة الضوئية المختلفة.

على سبيل المثال، بصري حيودي شبكة صُممت هذه التقنية من خلال دمج البصريات والتعلم العميق لأداء مهام حسابية معقدة بصريًا، مثل تصنيف الصور وإعادة بنائها. تتألف من مجموعة من الطبقات الحيودية المنظمة، تحتوي كل منها على آلاف من خصائص/خلايا عصبية حيودية. تُستخدم هذه الطبقات السلبية للتحكم في تفاعلات الضوء والمادة لتعديل الضوء الداخل وإنتاج المخرج المطلوب. يقوم الباحثون بتدريب الشبكة الحيودية من خلال تحسين خصائص هذه الطبقات باستخدام التعلم العميق الأدوات. بعد تصنيع التصميم الناتج، يعمل هذا الإطار كوحدة معالجة بصرية مستقلة لا تتطلب سوى مصدر إضاءة للإدخال لتشغيلها.

حتى الآن، نجح الباحثون في تصميم شبكات حيود أحادية اللون (إضاءة أحادية الطول الموجي) لتنفيذ خطي واحد تحول عملية ضرب المصفوفات. ولكن هل من الممكن تنفيذ العديد من التحويلات الخطية في آن واحد؟ لقد تناول نفس فريق البحث في جامعة كاليفورنيا في لوس أنجلوس، الذي قدم لأول مرة الشبكات البصرية الحيودية، هذا السؤال مؤخرًا. في دراسة حديثة نُشرت في الضوئيات المتقدمةاستخدموا مخطط تعدد إرسال الطول الموجي في شبكة بصرية حيودية، وأظهروا جدوى استخدام حيود واسع النطاق المعالج لإجراء عمليات تحويل خطي متوازية بشكل كبير.

يصف البروفيسور أيدوغان أوزكان، رئيس مجموعة البحث في كلية صامويلي للهندسة بجامعة كاليفورنيا في لوس أنجلوس، بإيجاز بنية ومبادئ هذا المعالج البصري: "يحتوي المعالج البصري الحيودي واسع النطاق على مجالات رؤية للإدخال والإخراج مع N_i وN_o البكسلات، على التوالي. وهي متصلة بطبقات حيودية هيكلية متتالية، مصنوعة من مواد ناقلة سلبية. مجموعة محددة مسبقًا من N_w ويوضح قائلاً: "تقوم الأطوال الموجية المنفصلة بتشفير معلومات الإدخال والإخراج. كل طول موجي مخصص لدالة هدف فريدة أو تحويل خطي ذي قيم مركبة".

يمكن تخصيص هذه التحويلات المستهدفة لوظائف محددة مثل تصنيف الصور وتجزئتها، أو يمكن تخصيصها لحساب عمليات مرشحات الالتفاف المختلفة أو الطبقات المتصلة بالكامل في الشبكة العصبية. تُنفذ جميع هذه التحويلات الخطية أو الوظائف المطلوبة في وقت واحد بسرعة الضوء، حيث تُخصص لكل وظيفة طول موجي فريد. وهذا يسمح للمعالج البصري ذي النطاق العريض بالحساب بمعدل نقل بيانات وتوازي فائقين.

أظهر الباحثون أن تصميم المعالج البصري متعدد الأطوال الموجية هذا يمكن أن يقارب N_w تحويلات خطية فريدة ذات خطأ مهمل عندما يكون العدد الإجمالي لخصائصها الحيودية N أكبر من أو يساوي 2N_wN_iN_oوقد تأكد هذا الاستنتاج بالنسبة لـ N_w أكثر من 180 تحولًا متميزًا من خلال المحاكاة العددية وهو صالح للمواد ذات خصائص التشتت المختلفة. علاوة على ذلك، فإن استخدام قيمة N أكبر (3N)_wN_iN_o) زيادة N_w بالإضافة إلى حوالي 2000 عملية تحويل فريدة يتم تنفيذها جميعها بصريًا بالتوازي.

وفيما يتعلق بآفاق هذا التصميم الحاسوبي الجديد، يقول أوزكان: "ستكون هذه المعالجات الانكسارية المتوازية بشكل كبير والمتعددة الأطوال الموجية مفيدة لتصميم أنظمة رؤية آلية ذكية عالية الإنتاجية ومعالجات فائقة الطيف، ويمكن أن تلهم العديد من التطبيقات في مختلف المجالات، بما في ذلك التصوير الطبي الحيوي والاستشعار عن بعد والكيمياء التحليلية وعلوم المواد".

المصدر معالج حيود مصمم بتقنية التعلم العميق يحسب مئات التحويلات بالتوازي

[/ et_pb_text] [/ et_pb_column] [/ et_pb_row] [/ et_pb_section]