الحوسبة
من السليكون إلى الضوء: الموجة التالية لأجهزة الذكاء الاصطناعي
مع استمرار الذكاء الاصطناعي (AI) في أن يصبح أكثر شعبية وقوة، يزداد أيضًا شغفه بالسرعة والطاقة. أدّى الحاجة إلى أنظمة أسرع وأكثر ذكاءً وكفاءة إلى دفع الباحثين لاستكشاف بديل جذري: الحوسبة الضوئية.
على عكس المعالجات التقليدية التي تستخدم الإلكترونات، تستخدم الحوسبة الضوئية الفوتونات، أو جسيمات الضوء، لنقل ومعالجة المعلومات. يوفر هذا التحول ميزتين أساسيتين.
أولاً، الفوتونات فعّالة للغاية في استهلاك الطاقة. تنتج حرارة أقل بكثير من الإلكترونات، التي تولد حرارةً هائلةً تُحدّ من أدائها وتستدعي أنظمة تبريد كبيرة ومكلفة في مراكز البيانات.
ثانيًا، الضوء ينتقل أسرع بكثير من التيارات الكهربائية، مما يتيح عمليات أسرع بشكل كبير. يمكن للإشارات الضوئية أيضًا حمل المزيد من المعلومات، مما يوفر مسارًا بسيطًا نحو حوسبة أنظف وأسرع.
نتيجةً لذلك، هناك اهتمام متزايد بالحوسبة الضوئية. تُظهر التقنية نتائج واعدة في المختبرات وتجذب استثمارات كبيرة من الشركات الكبرى.
مع ذلك، تحويل هذا النجاح المختبري إلى أجهزة ضوئية عملية ثبت أنه صعب إلى حد ما. لهذا، يجب أن نتجاوز عدة عقبات أولاً. لا تتفاعل الفوتونات بطبيعتها مع بعضها البعض، مما يجعل من الصعب بناء بوابات منطقية ضوئية أساسية للحوسبة. بالإضافة إلى ذلك، لا تزال التقنية قيد البحث، لذا فهي لا تملك النضج والاقتصاديات المتوفرة لتصنيع الرقائق الإلكترونية نتيجة لعقود من commercialization.
ثم هناك التكلفة والضخامة ومعدلات التعديل المنخفضة التي تقيد معظم الأنظمة الضوئية الحالية.
أظهرت دراسة جديدة خطوةً كبيرةً نحو التغلب على بعض القيود من خلال تطوير محرك ضوئي جديد، يجمع بين السرعة والكفاءة والضّغط على رقاقة واحدة.
طور باحثون من جامعة تسينغوا نظامًا ضوئيًا رائدًا للحوسبة يقوم باستخراج الميزات بأقل زمن استجابة غير مسبوق، مما قد يثوّر معالجة الذكاء الاصطناعي.
استخدام الضوء بدلاً من الكهرباء لمعالجة البيانات يمكّن التقنية من تسريع الحوسبة بشكل كبير مع تقليل زمن الاستجابة، وهو قفزة كبيرة نحو الذكاء الاصطناعي في الوقت الفعلي.
في صميم هذا النظام الجديد يكمن مقياس تداخل ماخ-زيندر (Mach-Zehnder) القائم على مكبر بصري شبه موصل، أو SOA-MZI.
المكبر البصري شبه الموصل (SOA) هو جهاز مدمج يضاعف إشارات الضوء مباشرةً عبر الانبعاث المحفّز. أما مقياس تداخل ماخ-زيندر (MZI)، فهو أحد أقدم الأدوات الضوئية، وهو جهاز تداخل دليل موجي أساسي يتكوّن من موصلين مرتبطين بدليلين موجيين بطولين مختلفين.
الآن، يتيح إعداد SOA-MZI للضوء تنفيذ العمل الذي يُعتمد عليه في التعلم العميق. تُعالج المعلومات هنا، وتُكتشف الميزات مثل الأنماط والحواف في إشارة الضوء، دون تحويلها مرة أخرى إلى كهرباء.
بالإضافة إلى ذلك، يستخدم الجهاز طريقة تقسيم الطول الموجي المتعدد (WDM). تقوم هذه الطريقة بتقسيم الضوء إلى طيف من الألوان، يحمل كل لون تدفق بيانات خاص به. يتيح استغلال WDM للرقاقة إجراء العديد من الحسابات بالتوازي، مما يزيد من معدل النقل.
عند اختبارها في المختبر، عالج المحرك البيانات بسرعات تصل إلى 10 جيجابت في الثانية (Gbps) لكل قناة مع زمن استجابة يبلغ بضعة عشرات من البيكوثانية (ps). للمقارنة، بيكوثانية واحدة تعادل 1,000 فيمتوثانية أو ألف من النانوثانية.
تُظهر هذه النتائج أن المحرك أسرع بكثير من أي معالج إلكتروني قد يطمح إلى تحقيقه.
ما يعنيه هذا السرعة هو أن النظام يمكنه معالجة المعلومات في الوقت الفعلي، مما يجعله مثاليًا لتطبيقات مثل التداول عالي التردد، التصوير الطبي، الجراحة الروبوتية، أو المركبات الذاتية. تعتمد هذه التطبيقات على قدرة الذكاء الاصطناعي على استخراج الميزات الرئيسية من البيانات الخام بسرعة، لذا حتى المليثانية لها أهمية كبيرة.
الاختراق: محرك تسينغوا الضوئي والذكاء الاصطناعي في الوقت الفعلي
تنص قاعدة مور على أن عدد الترانزستورات على الرقاقة يتضاعف تقريبًا كل سنتين. ينتج عن ذلك زيادة في قدرة الحوسبة، انخفاض في التكلفة، وأجهزة أصغر بشكل عام.
يبدو أن هذا الاتجاه، الذي كان يدفع الابتكار في صناعة أشباه الموصلات، قد وصل إلى نهايته. بعد أن صغر إلى أحجام لا تتعدى بضعة نانومترات، تقترب أحجام الترانزستورات من الحدود الفيزيائية لتقنية السيليكون.
إلى جانب الحجم الأصغر الذي يؤدي إلى نفق الإلكترونات وتيارات التسرب التي تزيد من استهلاك الطاقة وتوليد الحرارة، ارتفعت تكلفة تصنيع الرقائق المتقدمة إلى مستويات هائلة. وفي الوقت نفسه، يقترب السيليكون نفسه من حدود أدائه وقابليته للتوسع.
لهذا السبب يستكشف الباحثون والشركات حلولًا بديلة مثل الشرائح الصغيرة (chiplets)، النظام داخل الحزمة (SiP)، الذاكرة غير المتطايرة، الحوسبة الكمومية، الحوسبة الحيوية، وبالطبع الفوتونيات.
من بين هذه البدائل، تُظهر الفوتونيات وعدًا خاصًا لتطبيقات الذكاء الاصطناعي. من خلال استغلال قوة الضوء، يمكن تسريع استخراج الميزات، خطوة حاسمة في التعلم الآلي، بشكل كبير.
استخراج الميزات هو عملية تحويل البيانات الخام إلى مجموعة مبسطة من الميزات الرقمية التي تمثل المشكلة الأساسية بشكل أفضل لنماذج التعلم الآلي (ML). تقلل هذه التقنية من تعقيد البيانات لاستخراج أهم المعلومات، مما يحسن أداء وكفاءة خوارزميات التعلم الآلي.
بينما يمكن للضوء تسريع استخراج الميزات، فإن الحفاظ على ضوء ثابت ومتناسق لإجراء حسابات ضوئية سريعة يُعد تحديًا كبيرًا.
لمواجهة ذلك، طور باحثون من جامعة تسينغوا محرك استخراج ميزات ضوئي من الجيل الثاني (OFE2) يمكنه تنفيذ استخراج ميزات ضوئية لتطبيقات عملية متعددة. يستخدم النظام المتكامل على الرقاقة مقسمات طاقة قابلة للتعديل وخطوط تأخير دقيقة لتوفير إشارات ضوئية مستقرة ومتوازية.
يقوم النظام بفك تسلسل تدفق البيانات الوارد عن طريق أخذ عينات من إشارة الإدخال إلى عدة موجات ضوئية متزامنة تسمح بالمعالجة المتوازية وفي الوقت الفعلي.
تمر هذه الموجات الضوئية بعد ذلك عبر مشغل الانحراف، وهو هيكل مجهرى شبيه باللوحة يقوم بإجراء حسابات أثناء انتشار الضوء خلاله. تعكس هذه العملية عملية ضرب المصفوفة في المتجه، وهي عملية أساسية في الذكاء الاصطناعي تُستخدم لتحويل ومعالجة البيانات.
كيفية إنشاء الضوء المنحرف لنقطة ‘مضيئة’ مركزة عند المخرج أساسية لهذه العملية، حيث يمكن تحويله جزئيًا نحو منفذ مخرج معين عن طريق تعديل طور الموجات الضوئية المتوازية الداخلة. إن هذا التحول في طاقة الخرج، إلى جانب التغييرات المصاحبة، يتيح لمحركهم، المعروف باسم OFE2، التقاط ميزات تغيرات إشارة الإدخال بمرور الوقت.
يعمل OFE2 بمعدل 12.5 جيجاهرتز، وهو رقم قياسي في الحوسبة الضوئية، ويمكنه تنفيذ عملية ضرب مصفوفة في متجه واحدة خلال 250.5 بيكوثانية، وهو أقل زمن استجابة بين التطبيقات المماثلة للحوسبة الضوئية.
“نحن نؤمن إيمانًا راسخًا أن هذا العمل يوفر معيارًا مهمًا لتقدم الحوسبة الضوئية المتكاملة لتجاوز معدل 10 جيجاهرتز في التطبيقات الواقعية.”
– البروفيسور هونغوي تشين، الذي قام هو وفريقه في جامعة تسينغوا بهذا البحث
أظهر الفريق قدرات قوية لنظامهم عبر مهام مختلفة.
عند اختبارها في مهمة تداول رقمية، حقق OFE2 نتائج مثيرة للإعجاب. يقوم المتداول بإدخال إشارات أسعار في الوقت الفعلي إلى OFE2، ويولد المحرك المُضبط بشكل مثالي إشارات خرج تُترجم مباشرةً إلى قرارات شراء أو بيع لتحقيق ربحية مستقرة بأقل تأخير، حيث يعمل النظام بسرعة الضوء.
استخدم الفريق أيضًا OFE2 لمعالجة الصور، حيث استخرج المحرك ميزات الحواف من الصور المدخلة وأنشأ خريطتين ميزتين تكميليتين تشبهان تأثيرات النقش والارتفاع. أدت الميزات الضوئية التي ينتجها OFE2 إلى تحسين كبير في تصنيف الصور وزادت من دقة البكسل في التجزئة الدلالية، مثل تحديد الأعضاء في فحوصات التصوير المقطعي (CT).
الأهم من ذلك، عندما تستخدم أنظمة الذكاء الاصطناعي OFE2، تحتاج إلى عدد أقل من المعلمات الإلكترونية، مما يبرز إمكانات المعالجة الضوئية المسبقة لتمكين أنظمة ذكاء اصطناعي هجينة أخف وزنًا وأكثر كفاءة وأقل تكلفة. يتم إنجاز العمل الشاق بواسطة المعالجة الضوئية المسبقة، بينما يمكن لنماذج الذكاء الاصطناعي التركيز على التعلم والتفسير.
تشير هذه النتائج إلى أن الأحمال الحسابية المكثفة يمكن نقلها من الإلكترونيات إلى الفوتونيات، مما يفتح مستقبلًا لنماذج الذكاء الاصطناعي في الوقت الفعلي.
وفقًا للباحثين، يمكن لجهازهم معالجة تدفقات بيانات هائلة مع فقدان طاقة قليل جدًا مع الحفاظ على جودة الإشارة حتى تحت الحمل.
“التطورات التي قدمناها في دراستنا تدفع مشغلات الانحراف المتكاملة إلى معدل أعلى، مما يوفر دعمًا للخدمات ذات المتطلبات الحسابية العالية في مجالات مثل التعرف على الصور، الرعاية الصحية المساعدة، والمالية الرقمية،” قال تشين. “نتطلع إلى التعاون مع الشركاء الذين لديهم احتياجات حسابية كثيفة البيانات.”
انقر هنا لتتعرف على كيفية جعل الحوسبة بسرعة الضوء ممكنة باستخدام الفوتونيات السيليكونية.
السباق العالمي لإعادة اختراع الحوسبة باستخدام الفوتونيات
اسحب للتمرير →
| المشروع | ما يبرزه | السرعة / زمن الاستجابة | الوظيفة | النضج | المصدر |
|---|---|---|---|---|---|
| Tsinghua OFE2 (SOA-MZI + diffraction) | استخراج ميزات ضوئية باستخدام WDM متوازي | 12.5 جيجاهرتز؛ ~250.5 بيكوثانية لكل MVM | MVM ضوئي، حواف، ميزات السلاسل الزمنية | عرض تجريبي مختبري (2025) | APN (2025) |
| MIT Photonic Processor | شبكة عصبونية عميقة ضوئية على الرقاقة مع NOFUs | <0.5 نانوثانية؛ ~92% دقة (حسب المهمة) | عمليات خطية وغير خطية بالكامل ضوئية | عرض تجريبي مختبري (2024) | Nat. Photonics (2024) |
| Magneto-Optical Memory (Ce:YIG) | أوزان ضوئية غير متطايرة مع تحمل عالي | ~1 نانوثانية للبرمجة؛ ~143 فمتوجول/بت (ضغط) | حوسبة داخل الذاكرة الضوئية / أوزان | عرض تجريبي مختبري (2024–25) | Nat. Photonics (2024) |
| Microsoft Analog Optical Computer | ضوء تماثلي ثابت الحالة للذكاء الاصطناعي + التحسين | تقدير ~100× كفاءة الطاقة (نموذج أولي) | استدلال + تحسين تركيبي | نموذج أولي (2025) | Nature (2025) |
| NVIDIA Co-Packaged Optics | روابط فوتونية لمجموعات GPU | كفاءة طاقة 3.5× مقارنة بالملحقات | اتصال (ليس حوسبة) | خارطة طريق المنتج (أهداف 2026) | NVIDIA (2025) |
التقدم من تسينغوا هو جزء من تحول عالمي أوسع. يتسابق العلماء حول العالم لتجاوز عنق الزجاجة الإلكتروني بالتحول إلى الضوء.
في وقت سابق من هذا العام، كشف فريق آخر من الصين عن شريحته، التي تستخدم الضوء لمزامنة المعالجات وقد تفتح آفاقًا للاتصالات من الجيل التالي والحوسبة الذكائية عالية السرعة.
تولد الرقائق التقليدية إشارات الساعة باستخدام المذبذبات الإلكترونية، وغالبًا ما تعمل بسرعة ساعة أساسية واحدة، مما يعني أن التطبيقات المختلفة تحتاج إلى تقنيات تصنيع رقاقة مختلفة. يستخدم الشريحة الجديدة التي صممها الفريق الدولي من العلماء بقيادة جامعة بكين في الصين “الضوء كوسيط لتوليد إشارات الساعة عبر الفوتونات”.
قاموا بتطوير “ميكروكوم على الرقاقة” يمكنه توليف إشارات ذات تردد واحد وعرض نطاق واسع وتوفير ساعَات مرجعية للإلكترونيات في النظام.
“من خلال بناء حلقة تشبه مسار سباق على الرقاقة، يمكن للضوء أن ‘يجري’ باستمرار بسرعة الضوء. ثم يُستخدم زمن كل دورة كمعيار للساعة على الرقاقة،” قال المؤلف الرئيسي تشانغ لين، أستاذ مساعد في معهد تكنولوجيا المعلومات والاتصالات بجامعة بكين. “نظرًا لأن الدورة تستغرق بضع مليارات من الثانية، يمكن للساعة تنظيم الوقت بسرعة فائقة.”
مزوّدة بهذه التقنية الجديدة، يمكن للرقائق تغطية نطاقات تردد الميكروويف المتنوعة.
حقق الفريق سرعة ساعة تزيد عن 100 جيجاهرتز وقال إنهم قادرون على إنتاج آلاف الرقائق المتطابقة على رقاقة بحجم 8 بوصات مع حل مشكلات الاستقرار وتحسين عمليات التغليف.
حاول فريق دولي آخر من الباحثين معالجة قيود قاعدة مور عبر الفوتونيات، لكنهم استخدموا مادة مغناطيسية-ضوئية.
باستخدام مغناطيسات صغيرة لتخزين البيانات والتحكم في انتقال الضوء داخل المادة، ابتكر الباحثون نوعًا جديدًا من الذاكرة المغناطيسية-الضوئية.
تشير الدراسة إلى أن فئة الذاكرة الجديدة هذه تتمتع بسرعات تبديل أسرع بمائة مرة من تقنيات الفوتونيات المتكاملة المتقدمة، وتستهلك حوالي عُشر الطاقة، ويمكن إعادة برمجتها أكثر من 2.3 مليار مرة، مما قد يعني عمرًا غير محدود.
في الوقت نفسه، في الولايات المتحدة، أظهر علماء من MIT معالجًا فوتونيًا يمكنه إجراء جميع حسابات الذكاء الاصطناعي بصريًا على الشريحة.
أكمل جهازهم الضوئي بالفعل الحسابات الأساسية لمهمة تصنيف تعلم آلي في أقل من نصف نانوثانية بدقة 92%.
في عملهم، صمم العلماء وحدات وظائف ضوئية غير خطية (NOFUs) لمعالجة تحدي عدم الخطية في البصريات، والذي ينتج عن عدم تفاعل الفوتونات بسهولة، مما يجعل تنشيط غير الخطيات الضوئية مستهلكًا للطاقة. تجمع NOFUs بين البصريات والإلكترونيات لدمج العمليات غير الخطية على الشريحة.
بينما تُظهر الجامعات شرائحها الضوئية التجريبية، لا تتأخر الشركات التقنية الكبرى؛ فهي تستكشف بنشاط كيف يمكن لهذه المبادئ جعل أنظمة الذكاء الاصطناعي التجارية أسرع وأكثر خضرة.
فصل باحثو مايكروسوفت حاسوبًا يعتمد على الضوء، يستخدم حساسات كاميرا وميكرو-LEDs، لجعل الذكاء الاصطناعي أكثر كفاءة بمائة مرة.
يحسب الحاسوب الضوئي التناظري النموذجي (AOC) من عملاق التقنية مشكلةً ما عدة مرات، وفي كل مرة يتحسن حتى يتم الوصول إلى “حالة ثابتة”.
“أهم جانب يقدمه الـ AOC هو أننا نقدر تحسينًا بحوالي مائة مرة في كفاءة الطاقة،” قال جانيز غلادرو، الباحث المشارك في الدراسة والباحث في مجال الذكاء الاصطناعي في مايكروسوفت، في منشور مدونة الشركة. “هذا بمفرده غير مألوف في الأجهزة.”
في الوقت نفسه، برمج الفريق “نموذجًا توأميًا رقميًا”، وهو نموذج يحاكي حسابات الـ AOC الفعلي ويمكن توسيعه للتعامل مع متغيرات أكثر وحسابات أكثر تعقيدًا. يتيح النموذج للفريق “العمل على مشكلات أكبر مما يمكن للأداة نفسها التعامل معه حاليًا،” أشار مايكل هانسن، المدير الأول لمعالجة الإشارات الطبية الحيوية في مايكروسوفت هيلث فيوتشرز.
يمكن للكمبيوتر بالفعل معالجة بعض المهام مثل إعادة بناء صور الرنين المغناطيسي (MRI)، مطابقة المعاملات المالية، والاستدلال البسيط للذكاء الاصطناعي.
لاختبار الـ AOC، قدم الفريق له أولاً مهمة بسيطة لتصنيف الصور، وأدى الـ AOC الفعلي بمستوى يقارب الحاسوب الرقمي. ثم استُدم النموذج التوأم الرقمي لإعادة بناء صورة مسح دماغي باستخدام 62.5% فقط من البيانات الأصلية، وقد فعل ذلك بدقة. يعتقد العلماء أن هذا الإنجاز يمكن أن يؤدي إلى تقصير أوقات الرنين المغناطيسي.
اُستخدم الـ AOC أيضًا لحل المشكلات المالية، حيث حقق معدل نجاح أعلى من الحواسيب الكمومية الحالية.
في مقابلة مع IBM، قالت فرانسيسكا بارميجياني، الباحثة الرئيسية في مايكروسوفت ريسيرتش كامبريدج، إن نظامهم يمتلك “قدرة مزدوجة النطاق”، مما يعني أنه يمكنه تنفيذ نوعين من المهام باستخدام نفس قطعة الأجهزة. يتم ذلك بالاعتماد على بحث النقطة الثابتة، الذي يربط طريقة حل المشكلتين.
“ما يثير حماسي أكثر هو أننا نستطيع بالفعل تشغيل أعباء العمل في كل من الذكاء الاصطناعي والتحسين على نفس الأجهزة،” قالت. “ما زلنا في نطاق صغير، لكن هذه خطوة أولى مهمة.”
تستفيد IBM نفسها من الفوتونات، ليس لإجراء الحسابات، بل لنقل المعلومات بسرعة أكبر. “نستخدم الضوء لإرسال البيانات بكثافة عالية جدًا لتطبيقات الذكاء الاصطناعي،” قال جان بنوا هيرو، عالم أبحاث في IBM Research. يطورون روابط فوتونية تنقل البيانات بين الرقائق والذاكرة واللوحات.
الاستثمار في الحوسبة الفوتونية
مع تزايد الزخم وراء الحوسبة الفوتونية وجذب انتباه اللاعبين التقنيين الرئيسيين وسط الطلب على حوسبة ذكاء اصطناعي أسرع، تستكشف شركة NVIDIA (NVDA ) أيضًا طرقًا لدمج الوصلات الفوتونية والشبكات الضوئية لتطوير أجهزتها أكثر.
بينما تقود ثورة الذكاء الاصطناعي المدفوعة بوحدات معالجة الرسوميات (GPU)، تبحث NVIDIA في نقل البيانات الضوئية لتجاوز عنق الزجاجة في عرض النطاق الترددي الذي يحد من بنى الرقائق التقليدية.
في وقت سابق من هذا العام، أطلقت الشركة مفاتيح فوتونية مع بصريات مدمجة (CPO) لتوفير مرونة شبكة أعلى بـ10 أضعاف، وكفاءة طاقة أفضل بـ3.5 أضعاف، وزمن نشر أسرع بـ1.3 أضعاف مقارنةً بالشبكات التقليدية.
فيما يتعلق بأداء سهم صانع الرقائق، هذا الأسبوع أصبحت أول شركة تصل إلى قيمة سوقية قدرها 5 تريليون دولار حيث ارتفع سعر سهمها فوق 212 دولارًا لتصل إلى أعلى مستوى تاريخي جديد. يتداول الآن بسعر 207 دولارات، وأسهم NVIDIA ارتفعت بأكثر من 54% منذ بداية العام.
(NVDA )
لديها ربحية السهم (EPS) (TTM) بقيمة 3.51 ومضاعف السعر إلى الأرباح (P/E) (TTM) بقيمة 58.93. يتم دفع عائد توزيعات بنسبة 0.02% لحملة أسهم Nvidia.
فيما يتعلق بالموقع المالي لـ Nvidia، أفادت الشركة بأنها حققت إيرادات قدرها 46.7 مليار دولار للربع الثاني من السنة المالية 2026. بينما ارتفعت الإيرادات الإجمالية بنسبة 6% عن الربع السابق، ارتفعت إيرادات مركز البيانات لدى Nvidia بنسبة 5% لتصل إلى 41.1 مليار دولار، مع ارتفاع إيرادات مركز بيانات بلاكويل بنسبة 17% تسلسليًا.
الخلاصة
مع انتشار هوس الذكاء الاصطناعي في جميع أنحاء العالم، يعمل الباحثون والشركات على استبدال الإلكترونات بالفوتونات لفتح عالم جديد من السرعة والقابلية للتوسع وكفاءة الطاقة. في هذه المحاولة لإعادة تعريف بنية الذكاء الاصطناعي التحتية، يُظهر الاختراق الأخير من محرك جامعة تسينغوا الضوئي أن الأنظمة القائمة على الضوء يمكنها أن تنافس أو حتى تتفوق على نظيراتها الإلكترونية في مهام محددة.
لكن الحوسبة الفوتونية لا تزال في مرحلة الاختبار. بمجرد نضوج الحوسبة الفوتونية وتصبح ذات تكلفة معقولة، يمكن أن تمهد لعصر تتحرك فيه الحوسبة بسرعة الضوء.
انقر هنا لتعرف كيف تُعزز شريحة تعمل بالضوء الذكاء الاصطناعي بمقدار 100 مرة.
المراجع
1. صن، ر.، تشانغ، ل.، لي، ي.، وانغ، س.، تشن، ج.، وزاو، ك. (2025). محرك استخراج ميزات ضوئية عالي السرعة ومنخفض زمن الاستجابة يعتمد على مشغلات الانحراف. Advanced Photonics Nexus, 4(5), 056012. https://doi.org/10.1117/1.APN.4.5.056012
2. بينتوس، ب.، دومون، م.، شاه، ف.، موراي، ت.، شوجي، ي.، هوانغ، د.، مودي، ج.، باورز، ج. إ.، يونغبلود، ن.، وآخرون. (2025). بصريات مغناطيسية غير متبادلة متكاملة مع تحمل فائق الارتفاع للحوسبة الفوتونية داخل الذاكرة. Nature Photonics, 19, 54–62. https://doi.org/10.1038/s41566-024-01549-1
3. بانديوبادهاي، س.، سلادز، أ.، كراستانوف، س.، هامرلي، ر.، هاريس، ن.، بوناندار، د.، ستريشينسكي، م.، هوشبيرغ، م.، وإنغلوند، د. (2024). شبكة عصبونية عميقة فوتونية على شريحة واحدة مع تدريب أحادي الاتجاه. Nature Photonics, 18, 1335-1343. https://doi.org/10.1038/s41566-024-01567-z
4. كالينين، ك. ب.، غلادرو، ج.، تشو، ج.، كليغ، ج. ه.، كليثرو، د.، كيلي، د. ج.، رحماني، ب.، برينان، ج.، كاناكجي، ب.، فالك، ف.، هانسن، م.، كليوين، ج.، كريمر، ه.، أو’شيا، ج.، بيكاب، ل.، راجموهان، س.، روستران، أ.، روهل، ف.، برين، ل.، خديكار، س.، بيرلوف، ن. ج.، جكانتسيدس، س.، بارميجياني، ف.، وبالاني، ه. (2025). حاسوب ضوئي تناظري لاستدلال الذكاء الاصطناعي والتحسين التركيبي. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z
