Εκπαίδευση AI με Οπτικό Φίμπερ: Μία Φωτεινή Άνοδος

Γιατί το Οπτικό Φίμπερ Θα Μπορεί να Αντικαταστήσει το Ρεύμα στην Υπολογιστική AI

Από τις πρώτες μέρες της υπολογιστικής, σχεδόν όλοι οι υπολογιστές βασίζονται σε υπολογισμούς που χρησιμοποιούν ηλεκτρισμό με κάποιον τρόπο, από τα αρχαία σωληνάρια κενού μέχρι τα σύγχρονα πυριτίου σε νανομετρική κλίμακα.

Καθώς τα πυριτίου chips γίνονται όλο και μικρότερα, οι ερευνητές αναζητούν νέους τρόπους κατασκευής υπολογιστών που θα μπορούσαν να υπερβούν τις δυνατότητες των πυριτίου chips, ένα θέμα που εξετάσαμε στο «Top 10 Non-Silicon Computing Companies».

Αυτές οι μέθοδοι περιλαμβάνουν τη χρήση διαφορετικών υλικών, όπως καρβίδιο του άνθρακα, βανάδιο διόξειδο, οργανικά υλικά ή γραφένιο, για παράδειγμα. Ένας άλλος τρόπος είναι η αλλαγή του τρόπου υπολογισμού, απομακρύνοντας την δυαδική προγραμματιστική λογική των ηλεκτρικών υπολογισμών, που περιλαμβάνει την κβαντική υπολογιστική και τη φωτονική.

Η φωτονική χρησιμοποιεί φως αντί για ηλεκτρισμό για την κωδικοποίηση και τη μεταφορά πληροφοριών. Ωστόσο, μέχρι τώρα, το φως μετατράπηκε τελικά σε δυαδικό σήμα, αποτυγχάνοντας να δημιουργήσει μια καθαρά φωτεινή μορφή υπολογισμού.

Αυτό άλλαξε με τη δουλειά των ερευνητών του Πανεπιστημίου Tampere (Φινλανδία) και του Université Marie et Louis Pasteur (Besançon, Γαλλία). Χρησιμοποίησαν οπτικό φίμπερ για υπερ-γρήγορους υπολογισμούς και δημοσίευσαν τα ευρήματά τους στο επιστημονικό περιοδικό Optics Letters¹, με τίτλο «Limits of nonlinear and dispersive fiber propagation for an optical fiber-based extreme learning machine».

Περιορισμοί της Παραδοσιακής Εκπαίδευσης AI με Ηλεκτρονικά Συστήματα

Η εκπαίδευση AI και η επεξεργασία δεδομένων φθάνουν σε όρια όσον αφορά την αποδοτικότητα, με την υπολογιστική AI να περιορίζεται όλο και περισσότερο από την κατανάλωση ενέργειας και την ταχύτητα επεξεργασίας δεδομένων.

Αντίθετα, οι υπολογισμοί με φως έχουν τη δυνατότητα να είναι χιλιάδες φορές πιο γρήγοροι και μπορούν να κωδικοποιούν δεδομένα σε μικρές διαφορές ενέργειας, καθιστώντας τα πιο αποδοτικά. Το πρόβλημα είναι ότι μέχρι τώρα δεν έχει πραγματοποιηθεί άμεσος υπολογισμός με φως.

Η δουλειά των ερευνητών χρησιμοποίησε μια συγκεκριμένη κατηγορία υπολογιστικής αρχιτεκτονικής γνωστής ως Extreme Learning Machine (ELM), μια προσέγγιση εμπνευσμένη από τα νευρωνικά δίκτυα.

Ανάμεσα σε ορισμένα πλεονεκτήματά τους, τα ELM μπορούν να μάθουν από τα δεδομένα εκπαίδευσης σε ένα βήμα και είναι ένας σχετικά απλός αλγόριθμος.

Κατά κανόνα, το ELM είναι απίθανο να είναι χρήσιμο για πολύπλοκες εργασίες που απαιτούν πολλαπλά στρώματα εκπαίδευσης AI, αλλά μπορεί να αποδώσει πολύ καλά και πιο αποδοτικά για συγκεκριμένες εργασίες, όπως η οπτική αναγνώριση, για παράδειγμα.

Πώς οι Ερευνητές Κωδικοποίησαν Εικόνες Χρησιμοποιώντας Οπτικούς Φίμπερ

Οι ερευνητές χρησιμοποίησαν παλμούς λέιζερ φεμτοδευτερολέπτου (δισεκατομμύρια φορές πιο σύντομοι από το φλας μιας κάμερας) και έναν οπτικό φίμπερ που περιορίζει το φως σε περιοχή μικρότερη από ένα κλάσμα ανθρώπινου τριχώματος για να δημιουργήσουν ένα οπτικό σύστημα ELM.

Οι παλμοί λέιζερ είναι αρκετά σύντομοι ώστε να περιέχουν μεγάλο αριθμό διαφορετικών μηκών κύματος ή χρωμάτων, δημιουργώντας ένα πλούσιο σύνολο δεδομένων.

Στη συνέχεια έστειλαν αυτά τα δεδομένα μέσα στον φίμπερ με σχετική καθυστέρηση κωδικοποιημένη σύμφωνα με μια εικόνα.

Πηγή: Tampere University

Ο Ρόλος της Μη-Γραμμικής Οπτικής στην Επεξεργασία AI

Αυτή η μορφή κωδικοποίησης δεδομένων μετατράπηκε από την μη-γραμμική αλληλεπίδραση του φωτός με το γυαλί.

Η γραμμική οπτική είναι η κανονική οπτική που διδάσκεται στο σχολείο, όπου το φως αλληλεπιδρά άμεσα με ένα πρίσμα, για παράδειγμα.

Στη μη-γραμμική οπτική, η αντίδραση του μέσου μέσα από το οποίο περνά το φως εξαρτάται από το μήκος κύματος, την ένταση, την κατεύθυνση και την πόλωση του φωτός.

Τα μη-γραμμικά οπτικά στοιχεία μπορούν να προκαλέσουν τη συνένωση φωτονίων διαφορετικών συχνοτήτων και τη δημιουργία νέων φωτονίων σε νέες συχνότητες.

“Αντί να χρησιμοποιούνται συμβατικά ηλεκτρονικά και αλγόριθμοι, η υπολογιστική επιτυγχάνεται εκμεταλλευόμενη την μη-γραμμική αλληλεπίδραση μεταξύ έντονων παλμών φωτός και του γυαλιού.”

Mathilde Hary and Andrei Ermolaev – Μεταδιδακτορικοί Ερευνητές

Η μη-γραμμική αλληλεπίδραση και ο αλγόριθμος Extreme Learning Machine (ELM) κατάφεραν να εκπαιδεύσουν ένα AI για την ταξινόμηση χειρόγραφων ψηφίων (όπως αυτά που χρησιμοποιούνται στο δημοφιλές MNIST AI benchmark).

Πηγή: Optics Letters

Τα καλύτερα συστήματα έφτασαν σε ακρίβεια πάνω από 91%, κοντά στις κορυφαίες ψηφιακές μεθόδους.

Αυτό που κάνει το αποτέλεσμα εξαιρετικό είναι ότι επιτεύχθηκε σε λιγότερο από ένα πικοδευτερόλεπτο, ή ένα τρισεκατομμυριοστό του δευτερολέπτου (0.000000000001 δευτερόλεπτα).

Ιδανική Βελτιστοποίηση

Τα καλύτερα αποτελέσματα δεν εμφανίστηκαν στο μέγιστο επίπεδο μη-γραμμικής αλληλεπίδρασης ή πολυπλοκότητας.

Αντίθετα, απαιτούσαν μια ευαίσθητη ισορροπία μεταξύ του μήκους του φίμπερ, της διασποράς (η διαφορά ταχύτητας διάδοσης μεταξύ διαφορετικών μηκών κύματος) και των επιπέδων ισχύος.

“Η απόδοση δεν εξαρτάται απλώς από το να σπρώχνουμε περισσότερη ισχύ μέσα από το φίμπερ. Εξαρτάται από το πόσο ακριβώς είναι δομημένο αρχικά το φως, δηλαδή πώς κωδικοποιείται η πληροφορία, και πώς αλληλεπιδρά με τις ιδιότητες του φίμπερ.”

Mathilde Hary – Μεταδιδακτορική Ερευνήτρια

Είναι οι Υπολογιστές με Οπτικό Φίμπερ το Μέλλον της AI;

Η εκπαίδευση AI μόνο με φως αποτελεί μια ριζική απόκλιση από όλες τις μεθόδους που χρησιμοποιήθηκαν μέχρι τώρα. Πιθανότατα δεν θα είναι μια μέθοδος που μπορεί να εφαρμοστεί σε κάθε τύπο δεδομένων, αλλά για εκείνα όπου μπορεί να εφαρμοστεί, μπορεί να προσφέρει αποτελέσματα που είναι 1.000 φορές πιο αποδοτικά ως προς την ενέργεια και έως και ένα εκατομμύριο φορές πιο γρήγορα.

“Τα μοντέλα μας δείχνουν πώς η διασπορά, η μη-γραμμικότητα και ακόμη το κβαντικό θόρυβο επηρεάζουν την απόδοση, παρέχοντας κρίσιμη γνώση για το σχεδιασμό της επόμενης γενιάς υβριδικών οπτικών-ηλεκτρονικών συστημάτων AI.”

Andrei Ermolaev – Μεταδιδακτορικός Ερευνητής

Πιθανότατα, μια τέτοια προσέγγιση θα σήμαινε ότι ορισμένοι υπολογισμοί AI θα ανατίθενται σε υλικό μη-γραμμικού οπτικού φίμπερ σχεδιασμένο ειδικά για την εργασία. Έτσι, επαναλαμβανόμενες εργασίες, όπως η οπτική αναγνώριση, θα είναι οι καλύτεροι υποψήφιοι σε σχέση με την επεξεργασία νέων δεδομένων.

“Αυτή η εργασία δείχνει πώς η θεμελιώδης έρευνα στη μη-γραμμική οπτική των ινών μπορεί να οδηγήσει σε νέες προσεγγίσεις στην υπολογιστική. Συνδυάζοντας τη φυσική και τη μηχανική μάθηση, ανοίγουμε νέους δρόμους προς εξαιρετικά γρήγορο και ενεργειακά αποδοτικό υλικό AI.”

Andrei Ermolaev – Μεταδιδακτορικός Ερευνητής

Οι πιθανές εφαρμογές κυμαίνονται από επεξεργασία σήματος σε πραγματικό χρόνο μέχρι περιβαλλοντική παρακολούθηση και υψηλής ταχύτητας AI inference.

Ωστόσο, αυτή η εργασία βρίσκεται ακόμη στο στάδιο επίδειξης των βασικών αρχών της τεχνικής και μακριά από ένα βήμα εμπορευματοποίησης.

Ωστόσο, δείχνει ότι η φωτονική πιθανότατα θα γίνει όλο και πιο σημαντικό μέρος της βιομηχανίας υπολογιστών στο μέλλον, καθώς το φως μπορεί να είναι ανώτερο από το ηλεκτρισμό για ορισμένες εφαρμογές υπολογισμού λόγω θεμελιωδών φυσικών λόγων.

Κορυφαία Εταιρεία Λέιζερ & Φωτονικής που Διαπραγματεύεται στο Χρηματιστήριο

Coherent (II-VI Marlow): Ηγέτης στην Καινοτομία Λέιζερ

Η Coherent είναι ένα μεγάλο βιομηχανικό συγκρότημα με πάνω από 26.000 υπαλλήλους και ηγέτης στην τεχνολογία λέιζερ. Προέκυψε από τη συγχώνευση του προχωρημένου υλικού II-VI Marlow με τον κατασκευαστή λέιζερ Coherent.

Η εταιρεία είναι ειδική στα προχωρημένα υλικά που χρησιμοποιούνται σε λέιζερ, οπτικά και φωτονική, όπως το ινδίου φωσφορικού, επικάλυπτα epitaxial και γαλλίου αρσενίου.

Αναπτύχθηκε σημαντικά χάρη σε πολλαπλές εξαγορές την τελευταία δεκαετία, από $600 εκατομμύρια έσοδα το 2013 έως $4,7 δισεκατομμύρια το 2024.

Η εταιρεία προέρχεται το 29% των εσόδων της απευθείας από λέιζερ, με το υπόλοιπο να συνδέεται με συναφή εξοπλισμό όπως οπτικό φίμπερ και ηλεκτρονικά. Η κατηγορία οργάνων περιλαμβάνει κυρίως τη ζωή

Πηγή: Coherent

Η παρουσία της εταιρείας σε προχωρημένα υλικά όπως η θερμοφωτοβολταϊκή (που συζητήσαμε σε προηγούμενο άρθρο), το πυρίτιο καρβίδιο, τα λέιζερ και τα ηλεκτρονικά, την βοηθά να επωφεληθεί από δομικές τάσεις όπως η ανάπτυξη της ακριβούς κατασκευής, η προσθετική κατασκευή (3D printing), η ηλεκτροκίνηση και οι ανανεώσιμες πηγές ενέργειας.

Η εταιρεία διαχώρισε πρόσφατα τη δραστηριότητα πυριτίου καρβιδίου σε νέα οντότητα, με 75% ιδιοκτησία από τη Coherent, ενώ το υπόλοιπο κατέχεται εξίσου από τους εταίρους της Mitsubishi Electric (που προσφέρει IP ισχύος πυριτίου καρβιδίου) και Denso (που φέρει τη δραστηριότητά του ως προμηθευτής αυτοκινήτων στην ηλεκτροκίνηση και τα ημιαγωγικά ισχύος).

Αυτό συμβαίνει επειδή το πυρίτιο καρβίδιο γίνεται ολοένα και πιο ανεξάρτητη τεχνολογία, κυρίως χρησιμοποιούμενη σε εφαρμογές υψηλής ισχύος όπως τα ηλεκτρικά οχήματα, οι μπαταρίες και οι ανανεώσιμες πηγές ενέργειας.

Η Coherent είναι ηγέτης στο LIDAR και στην 3D-ψηφιακή ανίχνευση, συμπεριλαμβανομένων των εφαρμογών αυτόνομων οχημάτων, στη βιοτεχνολογία Next Generation Sequencing (NGS) Flow Cells, και λέιζερ για κατασκευή ημιαγωγών. Αναμένει ότι οι κύριες αγορές της θα αυξηθούν κατά 8-20%.

Πηγή: Coherent

Οι άλλες δυνητικές νέες εφαρμογές των λέιζερ, όπως τα άμεσα όπλα ενέργειας, η φωτονική υπολογιστική, η πυρηνική σύντηξη και η διαστημική τεχνολογία, θα μπορούσαν εξίσου να συμβάλουν στη διατήρηση της μακροπρόθεσμης ανάπτυξης της εταιρείας.

Συνολικά, η Coherent είναι όσο πιο κοντά μπορεί να είναι σε μια «καθαρή» δημόσια εισηγμένη εταιρεία λέιζερ για επενδυτές που ενδιαφέρονται για τον κλάδο, με ισχυρή κάθετη ενσωμάτωση και πάνω από 3.100 διπλώματα ευρεσιτεχνίας που προστατεύουν τις καινοτομίες της.

Καθώς η φωτονική προοδεύει, θα αυξήσει σταδιακά τη ζήτηση για εξαιρετικά γρήγορα, εξαιρετικά ακριβή συστήματα λέιζερ, καθώς και για λέιζερ που χρησιμοποιούνται στην οπτική τηλεπικοινωνία.

Τελευταία Νέα και Εξελίξεις της Μετοχής Coherent (COHR)

Μελετημένη Αναφορά

^{1. Andrei V. Ermolaev, Mathilde Hary, et al. Όρια της μη-γραμμικής και διασπαστικής διάδοσης ίνας για μια οπτική ίνα-βασισμένη extreme learning machine. Optics Letters. Vol. 50, Issue 13, pp. 4166-4169 (2025) https://doi.org/10.1364/OL.562186}