تراشه های نوری و آینده هوش مصنوعی: مسیر جدید محاسبات

یک استارت‌آپ آمریکایی که از سوی صندوق Gates Frontier متعلق به بیل گیتس حمایت شده است، یک پردازنده آزمایشی هوش مصنوعی معرفی کرده که به‌جای الکترون‌ها با نور (فوتون‌ها) کار می‌کند. Neurophos ادعا می‌کند تراشه نوری آن می‌تواند بهبودهای چشمگیری در عملکرد و بازده انرژی ارائه دهد و راه جایگزینی برای مقیاس‌دهی هوش مصنوعی فراتر از GPUهای مبتنی بر سیلیکون ارائه کند. این فناوری نوظهور اهمیت زیادی برای مراکز داده، مصرف انرژی و طراحی مدل‌های بزرگ هوش مصنوعی دارد و می‌تواند چشم‌انداز محاسبات سفارشی برای یادگیری عمیق را تغییر دهد.

From electrons to photons: a different way to compute

به‌جای جابجایی الکترون‌ها از طریق ترانزیستورها، طراحی Neurophos محاسبات را با فوتون‌ها انجام می‌دهد. نور نسبت به بارهای الکتریکی سریع‌تر سوئیچ می‌کند و حرارت بسیار کمتری تولید می‌کند که از نظر تئوری امکان ظرفیت بالاتر پردازشی و مصرف برق کمتر را فراهم می‌سازد. شرکت می‌گوید یکی از موانع اصلی محاسبات نوری را با کوچک‌سازی اجزای نوری تا چگالی‌ای که با کارخانه‌های تراشه موجود سازگار است، حل کرده است؛ به‌طوری‌که به‌جای استفاده از هسته‌های الکترونیکی متعدد و کوچک، یک ماتریس محاسباتی نوری بسیار بزرگ را روی یک چیپ جای‌داده‌اند.

برای درک بهتر، باید تفاوت‌های پایه‌ای بین محاسبات دیجیتالِ مبتنی بر الکترون و محاسبات نوری را بررسی کنیم. بسیاری از پیاده‌سازی‌های نوری کنونی از مفاهیم آنالوگ استفاده می‌کنند: عملیات ضرب-جمع ماتریسی (matrix multiply-accumulate) که در شبکه‌های عصبی بارها تکرار می‌شود را می‌توان با تغییر شدت، فاز یا طول‌موجِ نور پیاده‌سازی کرد. در برخی معماری‌ها از عناصر نوری مانند ماخ-زنِدر-ایلِ (MZI) یا مدولاتورهای شدت استفاده می‌شود تا وزن‌ها را اعمال کنند و از آشکارسازهای فوتونی برای خواندن خروجی‌ها بهره می‌برند. این مسیر می‌تواند عملیات ماتریسی بزرگ را به‌صورت موازی و با مصرف انرژی پایین‌تر اجرا کند، اما نیاز به طراحی دقیق، کالیبراسیون و مدیریت خطا دارد.

What this means compared with today's AI chips

شرکت‌های تولیدکننده GPU مانند Nvidia همچنان محاسبات اصلی ریاضی مورد نیاز مدل‌های هوش مصنوعی را با مدارهای الکترونیکی انجام می‌دهند. حتی وقتی Nvidia از فوتونیک برای تسریع ارتباطات بین چیپ‌ها (inter-chip) استفاده می‌کند، خودِ محاسبات عددی با الکترون‌ها صورت می‌پذیرد. هدف Neurophos محاسبات نوری واقعی است که در آن فوتون‌ها عملیات ماتریسی اصلی مورد استفاده در شبکه‌های عصبی را به‌صورت مستقیم اجرا می‌کنند. اگر این ایده به‌صورت عملی و پایدار پیاده‌سازی شود، می‌تواند نسبت‌های قدرت-عملکردی را که مراکز داده امروز با آن سروکار دارند تغییر دهد.

مقایسه واقعی دو رویکرد نیازمند توجه به جزئیاتی است که در عمل تفاوت ایجاد می‌کنند: دقت عددی (precision)، نویز آنالوگ، فرایندهای کالیبراسیون مداوم، و ابزارهای نرم‌افزاری برای نگاشت مدل‌های یادگیری عمیق روی سخت‌افزار نوری. GPUها به‌دلیل پشتیبانی نرم‌افزاری گسترده، اکوسیستم کتابخانه‌ها (مانند CUDA، cuDNN) و ابزارهای بهینه‌سازی شناخته شده‌اند؛ درحالی‌که تراشه‌های نوری احتمالاً برای بارهای کاری خاص — مانند استنتاج (inference) در مدل‌های بزرگ یا ضرب‌برداری ماتریسی عظیم — مزایای واضحی خواهند داشت. به‌عنوان مثال، تبدیل عملیات ماتریسی به عملیات نوری می‌تواند برای استنتاج بلادرنگ در مقیاس بزرگ یا خدمات هوش مصنوعی با محدودیت حرارتی و انرژی مفید باشد.

• سرعت سوئیچینگ بالاتر: فوتون‌ها قادرند حالات را سریع‌تر از الکترون‌ها تغییر دهند که برای برخی عملیات‌ها نرخ‌های شبیه ساعت (clock-like) بالاتری ممکن می‌سازد.
• تولید حرارت کمتر: کاهش حرارت اضافی نیاز به سیستم‌های خنک‌کننده را کم می‌کند و کارایی انرژی را برای سیستم‌های بزرگ استنتاج یا آموزش بهبود می‌بخشد.
• پارچه محاسباتی متراکم‌تر: یک ماتریس نوری بزرگ می‌تواند حرکت داده‌ها روی چیپ را نسبت به ساختارهای متشکل از هسته‌های توزیع‌شده ساده‌تر کند که به کاهش زمان تأخیر داخلی و هزینه‌های انتقال داده منجر می‌شود.

Reality check: big hurdles remain

با وجود ادعاهای جسورانه، Neurophos و دیگر شرکت‌های فعال در حوزه محاسبات نوری با سال‌ها کار مهندسی پیش از تولید انبوه روبه‌رو هستند. اجزای نوری رفتار متفاوتی نسبت به ترانزیستورها دارند و ابزارهای نرم‌افزاری، زنجیره‌های کامپایلر و مجموعه‌های اعتبارسنجی (validation suites) باید بازسازی یا تطبیق داده شوند. علاوه بر این، مسئلهٔ انسجام و یکپارچگی با اکوسیستم دیتاسنترهای موجود، آزمون‌های قابلیت اطمینان در مقیاس، بسته‌بندی (packaging)، تکنیک‌های اتصال الکترو-نوری و استانداردسازی همه از چالش‌های مهمی هستند که باید حل شوند.

از منظر فنی، چند نکتهٔ کلیدی که معمولاً در مقاله‌ها و بحث‌های فنی به آن‌ها اشاره می‌شود عبارت‌اند از: دقت عددی پایین‌تر در محاسبات آنالوگ نوری که نیاز به تکنیک‌های کالیبراسیون و تصحیح خطا دارد، حساسیت به تغییرات دما و انحرافات ساخت که باید با طراحی پایداری مقابله شود، و مشکلات مربوط به تولید عمده در کارخانه‌های تراشه موجود که باید با استانداردهای CMOS-سازگار همخوان شود. همچنین ایجاد ابزارهای توسعه‌دهنده (SDK)، شبیه‌سازهای سخت‌افزاری-نرم‌افزاری و مدل‌های برنامه‌نویسی جدید برای بهره‌برداری از این نوع معماری‌ها زمان‌بر است.

با این حال، پشتیبانی صندوق Gates Frontier و سروصداهای صنعتی — که نخستین‌بار توسط Tom's Hardware گزارش شد — نشان‌دهندهٔ افزایش علاقه و تمایل بازار به یافتن جایگزین‌هایی برای محدودیت‌های مقیاس‌پذیری مبتنی بر سیلیکون است. چشم‌انداز جایگزینی رک‌های پرمصرف استنتاج با ماژول‌های جمع‌وجور نوری که هزینهٔ برق و خروجی گرما را کاهش می‌دهند، شاید آینده‌نگرانه به‌نظر برسد، اما شرکت‌هایی مانند Neurophos در حال نزدیک‌تر کردن آن آینده به واقعیت هستند.

Who wins the chip race?

Nvidia همچنان بازیگر غالب است و به‌دلیل بلوغ اکوسیستم، پشتیبانی نرم‌افزاری و مقیاس تولید، احتمالاً برای سال‌ها بازار را رهبری خواهد کرد. اما محاسبات نوری می‌تواند به عنوان فناوری مکمل قدرتمندی پدید آید: شتاب‌دهنده‌های نوری تخصصی برای استنتاج یا بارهای کاری ماتریسی بزرگ مشخص، در کنار GPUهای الکترونیکی برای آموزش عمومی و سازگاری، همزیستی پیدا کنند. پرسش واقعی کمتر دربارهٔ سقوط فوری Nvidia است و بیشتر دربارهٔ چگونگی تحول منظر سخت‌افزار هوش مصنوعی در دههٔ آینده است که فوتونیک می‌تواند شاخص‌های عملکرد و مصرف انرژی را بازتعریف کند.

برای کسب‌وکارها و مهندسان تصمیم‌گیرنده در حوزهٔ مراکز داده و توسعهٔ مدل‌های هوش مصنوعی، پیام اصلی این است که باید به راه‌حل‌های ترکیبی و چندمعماری فکر کنند. سرمایه‌گذاری در نرم‌افزار قابل حمل، استانداردسازی لایه‌های میانی و طراحی مدل‌هایی که بتوانند بین دقت آنالوگ و دیجیتال جابه‌جا شوند، احتمالاً امتیاز رقابتی بلندمدتی ایجاد خواهد کرد. در نهایت، پذیرش فناوری‌های جدیدی مانند تراشه‌های نوری بستگی به توانایی آن‌ها در ادغام با زنجیرهٔ تأمین، کاهش هزینه‌های کلی مالکیت (TCO) و ارائه مزایای واقعی در مصرف انرژی و چگالی محاسباتی دارد.