پژوهشگران دانشگاه فلوریدا تراشه‌ای مبتنی بر نور طراحی کرده‌‌اند که ایده‌های کلاسیک پردازش دیجیتال را به چالش می‌کشد. این نوآوری، انجام عملیات کانولوشن—هستهٔ اصلی بسیاری از شبکه‌های عصبی—را با سرعتی بیش از ۱۰۰ برابر و مصرف انرژی بسیار کمتر از نمونه‌های الکترونیکی ممکن می‌سازد. اگر این فناوری از مرحلهٔ آزمایشگاه فراتر رود، می‌تواند زیرساخت‌های هوش مصنوعی را از مراکز داده تا گجت‌های پوشیدنی متحول کند.
معماری و سازوکار
تراشه‌ی نوری فلوریدا با دو آرایه‌ی فوق‌نازک لنز فرنل ساخته شده که باریک‌تر از یک تار مو هستند و با فرایندهای استاندارد نیمه‌هادی روی بستر سیلیکون حک می‌شوند. در اجرای کانولوشن، داده‌ها ابتدا به نور لیزر تبدیل می‌شوند، از میان لنزها که تبدیل‌های ریاضی را انجام می‌دهند عبور می‌کنند و سپس خروجی به سیگنال دیجیتال تبدیل می‌شود. این مسیر نوری ضمن حذف ازدحام الکتریکی و کاهش دمای قطعات، توان محاسباتی فوق‌العاده‌ای را با دقتی هم‌تراز تراشه‌های رایج ارائه می‌دهد.
نتایج و دقت
نمونهٔ اولیه توانست ارقام دست‌نویس را با دقت تقریباً ۹۸ درصد دسته‌بندی کند؛ رقمی که در کلاس استانداردهای متداول هوش مصنوعی قرار می‌گیرد. این نشان می‌دهد سرعت و کارایی بالا در تراشهٔ نوری، هیچ‌گونه افت دقتی به‌همراه ندارد.
چشم‌اندازهای پیش رو
- پیاده‌سازی در مراکز داده برای کاهش چشمگیر هزینه‌های انرژی و خنک‌سازی
- استفاده در دستگاه‌های لبه (Edge AI) با تأخیر بسیار کم و مصرف باتری پایین
پیگیری این طرح در مسیر تجاری‌سازی مستلزم مقیاس‌پذیری فناوری، یکپارچه‌سازی با مدارهای کنترلی و ارزیابی گستردهٔ آزمایش‌های میدانی است. اگر این موانع برداشته شوند، تراشه‌های نوری می‌توانند هستهٔ نسل بعدی شتاب‌دهنده‌های هوش مصنوعی در همه سطوح باشند.
سینا علیپور
او دانشجوی رشته مهندسی کامپیوتر در مقطع کارشناسی است و فعالیت حرفه‌ای خود را در عرصه رسانه از سال ۱۳۹۸ با یک بلاگ شخصی در حوزه فناوری آغاز کرده است. وی پس از مدتی به عنوان نویسنده آزاد در مجله‌های آنلاین تکنولوژی فعالیت کرد و در حال حاضر، دبیر سرویس نقد و بررسی گجت‌های هوشمند در یک مجله معتبر تکنولوژی است.
