कम्प्यूटिंग
सिलिकॉन से प्रकाश तक: अगली एआई हार्डवेयर लहर
जैसे ही कृत्रिम बुद्धिमत्ता (AI) अधिक लोकप्रिय और शक्तिशाली होती जा रही है, उसकी गति और ऊर्जा की भूख भी बढ़ती जा रही है। तेज़, अधिक स्मार्ट और अधिक कुशल सिस्टमों की आवश्यकता ने शोधकर्ताओं को एक मूलभूत विकल्प की खोज करने के लिए प्रेरित किया: ऑप्टिकल कंप्यूटिंग।
परम्परागत प्रोसेसर जो इलेक्ट्रॉनों का उपयोग करते हैं, उनके विपरीत, ऑप्टिकल कंप्यूटिंग फोटॉनों, यानी प्रकाश के कणों, का उपयोग जानकारी को प्रसारित और प्रोसेस करने के लिए करती है। यह परिवर्तन दो महत्वपूर्ण लाभ प्रदान करता है।
पहला, फोटॉनों की ऊर्जा दक्षता बहुत अधिक होती है। वे इलेक्ट्रॉनों की तुलना में काफी कम गर्मी उत्पन्न करते हैं, जो इतनी गर्मी पैदा करते हैं कि उनका प्रदर्शन सीमित हो जाता है और डेटा सेंटरों में बड़े, महंगे कूलिंग सिस्टम की आवश्यकता होती है।
दूसरा, प्रकाश विद्युत धारा की तुलना में बहुत, बहुत तेज़ चलता है, जिससे संचालन में नाटकीय रूप से तेज़ी आती है। ऑप्टिकल संकेत अधिक जानकारी भी ले जा सकते हैं, जिससे साफ़ और तेज़ कंप्यूटिंग का सरल मार्ग मिलता है।
परिणामस्वरूप, फोटॉनिक कंप्यूटिंग में अब बढ़ती रुचि है। यह तकनीक प्रयोगशाला सेटिंग्स में आशाजनक परिणाम दिखा रही है और प्रमुख कंपनियों से महत्वपूर्ण निवेश आकर्षित कर रही है।
हालांकि, उस प्रयोगशाला सफलता को व्यावहारिक फोटॉनिक उपकरणों में बदलना काफी कठिन साबित हुआ है। इसके लिए हमें पहले कई बाधाओं को दूर करना होगा। फोटॉन स्वाभाविक रूप से एक-दूसरे के साथ अंतःक्रिया नहीं करते, जिससे कंप्यूटिंग के मूलभूत ऑप्टिकल लॉजिक गेट बनाना कठिन हो जाता है। इसके अतिरिक्त, यह तकनीक अभी भी अनुसंधान चरण में है, इसलिए इसमें इलेक्ट्रॉनिक चिप निर्माण की दशकों की व्यावसायीकरण के कारण प्राप्त परिपक्वता और पैमाने की अर्थव्यवस्थाएँ नहीं हैं।
फिर लागत, आकार, और कम मॉड्यूलेशन दरें अधिकांश मौजूदा ऑप्टिकल सेटअप को सीमित करती हैं।
एक नए अध्ययन ने कुछ सीमाओं को पार करने के लिए एक नया ऑप्टिकल इंजन विकसित करके एक बड़ा कदम उठाया है, जो एक चिप पर गति, दक्षता और कॉम्पैक्टनेस को संयोजित करता है।
त्सिंगहुआ विश्वविद्यालय के शोधकर्ताओं ने कंप्यूटिंग के लिए एक क्रांतिकारी ऑप्टिकल सिस्टम विकसित किया है जो अभूतपूर्व कम लेटेंसी के साथ फीचर एक्सट्रैक्शन करता है, जिससे एआई प्रोसेसिंग में क्रांति लाने की संभावना है।
डेटा को प्रोसेस करने के लिए बिजली के बजाय प्रकाश का उपयोग तकनीक को कंप्यूटिंग को काफी तेज़ करने और लेटेंसी को न्यूनतम करने में सक्षम बनाता है, जो रीयल-टाइम एआई की ओर एक बड़ा कदम है।
इस नए सिस्टम के केंद्र में एक सेमीकंडक्टर ऑप्टिकल एम्प्लीफ़ायर-आधारित मैच-ज़ेंडर इंटरफ़ेरोमीटर, या SOA-MZI, स्थित है।
SOA एक कॉम्पैक्ट डिवाइस है जो उत्तेजित उत्सर्जन के माध्यम से प्रकाश संकेतों को सीधे बढ़ाता है। इसी बीच, MZI, सबसे पुराने ऑप्टिकल उपकरणों में से एक, दो कूपलरों से बना एक बुनियादी वेवगाइड इंटरफ़ेरेंस डिवाइस है, जो दो विभिन्न लंबाई के वेवगाइडों द्वारा जुड़ा होता है।
अब, SOA-MZI सेटअप प्रकाश को गहन सीखने के मूल कार्य को करने की अनुमति देता है। यहाँ जानकारी प्रोसेस की जाती है, और पैटर्न और किनारों जैसे फीचर प्रकाश संकेत में ही पहचाने जाते हैं, बिना उन्हें फिर से बिजली में बदलें।
इसके अतिरिक्त, डिवाइस द्वारा वेवलेंथ-डिवीजन मल्टिप्लेक्सिंग (WDM) विधि का उपयोग किया जाता है। यह विधि प्रकाश को विभिन्न रंगों के स्पेक्ट्रम में विभाजित करती है, जहाँ प्रत्येक रंग अपना डेटा स्ट्रीम ले जाता है। WDM का उपयोग चिप को कई गणनाएँ समानांतर में चलाने में सक्षम बनाता है, जिससे थ्रूपुट बढ़ता है।
प्रयोगशाला में परीक्षण के दौरान, इंजन ने प्रति चैनल 10 गीगाबिट प्रति सेकंड (Gbps) तक की गति से डेटा प्रोसेस किया, जिसमें लेटेंसी केवल कुछ दशकों पिकोसेकंड (ps) थी। संदर्भ के लिए, एक पिकोसेकंड 1,000 फेम्टोसेकंड या एक नैनोसेकंड का एक हज़ारवां भाग के बराबर है।
इन परिणामों से पता चलता है कि यह इंजन किसी भी इलेक्ट्रॉनिक प्रोसेसर की तुलना में बहुत तेज़ है, जिसकी कल्पना भी नहीं की जा सकती।
इस गति का मतलब यह है कि सिस्टम रीयल-टाइम में जानकारी प्रोसेस कर सकता है, जिससे यह हाई-फ़्रीक्वेंसी ट्रेडिंग, मेडिकल इमेजिंग, रोबोटिक सर्जरी, या स्वायत्त वाहनों जैसे अनुप्रयोगों के लिए आदर्श बन जाता है। ये अनुप्रयोग एआई की तेज़ी से कच्चे डेटा से प्रमुख फीचर निकालने की क्षमता पर निर्भर करते हैं, इसलिए यहाँ मिलीसेकंड भी बहुत महत्वपूर्ण होते हैं।
ब्रेकथ्रू: त्सिंगहुआ का ऑप्टिकल इंजन और रीयल-टाइम एआई
मूर का नियम कहता है कि माइक्रोचिप पर ट्रांज़िस्टरों की संख्या लगभग हर दो साल में दोगुनी हो जाती है। इसका परिणाम कंप्यूटिंग शक्ति में वृद्धि, लागत में कमी, और कुल मिलाकर छोटे उपकरण होते हैं।
यह प्रवृत्ति, जिसने अर्धचालक उद्योग में नवाचार को प्रेरित किया है, अब समाप्ति की ओर लगती है। कुछ नैनोमीटर तक घटने के बाद, ट्रांज़िस्टर आकार सिलिकॉन-आधारित तकनीक की भौतिक सीमाओं के करीब पहुँच रहे हैं।
छोटे आकार के अलावा, जो इलेक्ट्रॉन टनलिंग और लीकेज करंट्स का कारण बनते हैं, जिससे ऊर्जा उपयोग और गर्मी उत्पन्न होती है, अत्याधुनिक माइक्रोचिप्स के निर्माण की लागत भी आसमान छू गई है। इसी बीच, सिलिकॉन स्वयं अपनी प्रदर्शन और स्केलेबिलिटी सीमाओं तक पहुँच रहा है।
इसीलिए शोधकर्ता और कंपनियां चिपलेट्स, सिस्टम-इन-पैकेज (SiP), नॉन-वोलैटाइल मेमोरी, क्वांटम कंप्यूटिंग, बायो‑कम्प्यूटिंग, और बेशक फोटॉनिक्स जैसी वैकल्पिक समाधान खोज रहे हैं।
इन विकल्पों में, फोटॉनिक्स एआई अनुप्रयोगों के लिए विशेष रूप से आशाजनक दिखता है। प्रकाश की शक्ति का उपयोग करके, फीचर एक्सट्रैक्शन, जो मशीन लर्निंग में एक महत्वपूर्ण चरण है, को बहुत तेज़ किया जा सकता है।
फीचर एक्सट्रैक्शन कच्चे डेटा को एक सरल संख्यात्मक फीचर सेट में बदलने की प्रक्रिया है, जो मशीन लर्निंग (ML) मॉडलों के लिए मूल समस्या को बेहतर ढंग से दर्शाता है। यह तकनीक डेटा जटिलता को कम करती है ताकि सबसे प्रासंगिक जानकारी निकाली जा सके, जिससे ML एल्गोरिदम की प्रदर्शन और दक्षता में सुधार होता है।
जबकि प्रकाश फीचर एक्सट्रैक्शन को तेज़ कर सकता है, तेज़ ऑप्टिकल गणनाओं के लिए स्थिर, सुसंगत प्रकाश बनाए रखना अत्यंत चुनौतीपूर्ण है।
इसे हल करने के लिए, त्सिंगहुआ विश्वविद्यालय के शोधकर्ताओं ने दूसरी पीढ़ी का ऑप्टिकल फीचर एक्सट्रैक्शन इंजन (OFE2) विकसित किया जो कई व्यावहारिक अनुप्रयोगों के लिए ऑप्टिकल फीचर एक्सट्रैक्शन कर सकता है। एकीकृत ऑन‑चिप सिस्टम ट्यूनेबल पावर स्प्लिटर्स और सटीक डिले लाइनों का उपयोग करके स्थिर, समानांतर ऑप्टिकल संकेत प्रदान करता है।
सिस्टम इनकमिंग डेटा स्ट्रीम को डीसिरियलाइज़ करता है, इनपुट संकेत को कई सिंक्रनाइज़्ड प्रकाश तरंगों में सैंपल करके, जिससे समानांतर, रीयल‑टाइम प्रोसेसिंग संभव हो सके।
ये प्रकाश तरंगें फिर डिफ्रैक्शन ऑपरेटर से गुजरती हैं, जो एक सूक्ष्म प्लेट जैसी संरचना है जो प्रकाश के प्रसार के साथ गणनाएँ करती है। यह ऑपरेशन मैट्रिक्स‑वेक्टर गुणन को प्रतिबिंबित करता है, जो डेटा को ट्रांसफ़ॉर्म और प्रोसेस करने के लिए उपयोग किया जाने वाला मूलभूत एआई ऑपरेशन है।
डिफ्रैक्टेड प्रकाश कैसे आउटपुट पर एक केंद्रित ‘चमकीला बिंदु’ बनाता है, यह इस ऑपरेशन का मूल है, क्योंकि समानांतर इनपुट प्रकाश के चरण को समायोजित करके इसे आंशिक रूप से किसी विशेष आउटपुट पोर्ट की ओर मोड़ा जा सकता है। आउटपुट पावर में यह गति और संबंधित परिवर्तन ही OFE2 को इनपुट संकेत के समय के साथ बदलते फीचर को कैप्चर करने में सक्षम बनाते हैं।
OFE2 12.5 GHz की दर पर काम करता है, जो ऑप्टिकल कंप्यूटिंग में एक रिकॉर्ड है, और एकल मैट्रिक्स‑वेक्टर गुणन को 250.5 पिकोसेकंड के भीतर कर सकता है, जो समान ऑप्टिकल कंप्यूटिंग कार्यान्वयनों में सबसे कम लेटेंसी है।
“हम दृढ़ता से मानते हैं कि यह कार्य वास्तविक दुनिया के अनुप्रयोगों में 10 GHz दर से अधिक के लिए एकीकृत ऑप्टिकल डिफ्रैक्शन कंप्यूटिंग को आगे बढ़ाने का एक महत्वपूर्ण बेंचमार्क प्रदान करता है।”
– प्रोफेसर होंगवेई चेन, जिन्होंने त्सिंगहुआ विश्वविद्यालय में अपनी टीम के साथ इस शोध को किया
टीम ने विभिन्न कार्यों में अपने सिस्टम की मजबूत क्षमताओं को प्रदर्शित किया।
डिजिटल ट्रेडिंग कार्य के लिए परीक्षण करने पर, OFE2 ने प्रभावशाली परिणाम हासिल किए। एक ट्रेडर रीयल‑टाइम मूल्य संकेतों को OFE2 में फीड करता है, और अनुकूलित रूप से कॉन्फ़िगर किया गया इंजन आउटपुट संकेत उत्पन्न करता है जो सीधे खरीद या बिक्री निर्णयों में अनुवादित होते हैं, जिससे न्यूनतम देरी के साथ स्थिर लाभप्रदता प्राप्त होती है, क्योंकि सिस्टम प्रकाश की गति से काम करता है।
टीम ने OFE2 का उपयोग छवियों को प्रोसेस करने के लिए भी किया, जहाँ इंजन ने इनपुट छवियों से किनारा फीचर निकाले और दो पूरक फीचर मैप बनाए जो रिलीफ़ और एंग्रेविंग प्रभावों जैसे दिखते थे। OFE2 द्वारा उत्पन्न ऑप्टिकल फीचर छवियों को वर्गीकृत करने में बहुत बेहतर प्रदर्शन करते हैं और सेमेंटिक सेगमेंटेशन में पिक्सेल सटीकता को बढ़ाते हैं, जैसे कि कंप्यूटेड टोमोग्राफी (CT) स्कैन में अंगों की पहचान।
और अधिक महत्वपूर्ण बात यह है कि जब एआई सिस्टम OFE2 का उपयोग करते हैं, तो उन्हें कम इलेक्ट्रॉनिक पैरामीटरों की आवश्यकता होती है, जो हल्के, अधिक कुशल और कम महंगे हाइब्रिड एआई सिस्टम को सक्षम करने के लिए ऑप्टिकल प्री‑प्रोसेसिंग की संभावनाओं को दर्शाता है। कठिन कार्य ऑप्टिकल प्री‑प्रोसेसिंग द्वारा किया जाता है, जबकि एआई मॉडल सीखने और व्याख्या पर ध्यान केंद्रित कर सकते हैं।
इन परिणामों से संकेत मिलता है कि सबसे भारी कंप्यूटेशनल लोड को इलेक्ट्रॉनिक्स से फोटॉनिक्स में स्थानांतरित किया जा सकता है, जिससे रीयल‑टाइम एआई मॉडल का भविष्य खुलता है।
शोधकर्ताओं के अनुसार, उनका डिवाइस बहुत कम ऊर्जा हानि के साथ बड़े डेटा स्ट्रीम को प्रोसेस कर सकता है, जबकि लोड के तहत भी सिग्नल इंटेग्रिटी को बनाए रखता है।
“हमारे अध्ययन में प्रस्तुत प्रगति एकीकृत डिफ्रैक्शन ऑपरेटरों को उच्च दर पर ले जाती है, जिससे इमेज रिकग्निशन, सहायक हेल्थकेयर, और डिजिटल फाइनेंस जैसे क्षेत्रों में कंप्यूट‑इंटेंसिव सेवाओं को समर्थन मिलता है,” चेन ने कहा। “हम उन साझेदारों के साथ सहयोग करने की आशा रखते हैं जिनकी डेटा‑इंटेंसिव कंप्यूटेशनल जरूरतें हैं।”
यहाँ क्लिक करें और जानें कि सिलिकॉन फोटॉनिक्स के साथ प्रकाश की गति पर कंप्यूटिंग कैसे संभव होती है।
फोटॉनिक्स के साथ कंप्यूटेशन को पुनः आविष्कार करने की वैश्विक दौड़
स्क्रॉल करने के लिए स्वाइप →
| प्रोजेक्ट | यह क्या दर्शाता है | गति / लेटेंसी | फ़ंक्शन | परिपक्वता | स्रोत |
|---|---|---|---|---|---|
| Tsinghua OFE2 (SOA-MZI + diffraction) | समानांतर WDM के साथ ऑप्टिकल फीचर एक्सट्रैक्शन | 12.5 GHz; ~250.5 ps प्रति MVM | ऑप्टिकल MVM, किनारे, टाइम‑सीरीज़ फीचर | प्रयोगशाला डेमो (2025) | APN (2025) |
| MIT Photonic Processor | ऑन‑चिप ऑप्टिकल DNN NOFUs के साथ | <0.5 ns; ~92% सटीकता (कार्य‑विशिष्ट) | सभी‑ऑप्टिकल रैखिक + गैर‑रैखिक ऑपरेशन | प्रयोगशाला डेमो (2024) | Nat. Photonics (2024) |
| Magneto‑Optical Memory (Ce:YIG) | उच्च स्थायित्व के साथ नॉन‑वोलैटाइल ऑप्टिकल वेट्स | ~1 ns प्रोग्राम; ~143 fJ/bit (प्रेस) | फोटॉनिक इन‑मेमोरी कंप्यूट / वेट्स | प्रयोगशाला डेमो (2024–25) | Nat. Photonics (2024) |
| Microsoft Analog Optical Computer | एआई + ऑप्टिमाइज़ेशन के लिए स्थिर‑स्थिति एनालॉग ऑप्टिक्स | अनुमानित ~100× ऊर्जा दक्षता (प्रोटोटाइप) | इनफ़रेंस + संयोजनात्मक ऑप्टिमाइज़ेशन | प्रोटोटाइप (2025) | Nature (2025) |
| NVIDIA Co‑Packaged Optics | GPU क्लस्टर्स के लिए फोटॉनिक लिंक | प्लग्गेबल्स की तुलना में 3.5× पावर दक्षता | इंटरकनेक्ट (कम्प्यूट नहीं) | उत्पाद रोडमैप (2026 लक्ष्य) | NVIDIA (2025) |
त्सिंगहुआ की प्रगति एक बड़े वैश्विक परिवर्तन का हिस्सा है। दुनिया भर के वैज्ञानिक प्रकाश की ओर रुख करके इलेक्ट्रॉनिक बाधाओं को पार करने के लिए दौड़ रहे हैं।
इस वर्ष की शुरुआत में, चीन की एक अन्य टीम ने अपना चिप उजागर किया, जो प्रोसेसरों को सिंक्रनाइज़ करने के लिए प्रकाश का उपयोग करता है और अगली पीढ़ी के संचार और हाई‑स्पीड एआई कंप्यूटिंग को अनलॉक कर सकता है।
परम्परागत चिप्स इलेक्ट्रॉनिक ऑसिलेटर्स का उपयोग करके क्लॉक सिग्नल उत्पन्न करते हैं, और अक्सर केवल एक प्राथमिक क्लॉक स्पीड पर काम करते हैं, जिसका मतलब है कि विभिन्न अनुप्रयोगों को विभिन्न चिप निर्माण तकनीकों की आवश्यकता होती है। नया चिप, जो चीन के पेकिंग विश्वविद्यालय द्वारा नेतृत्व किए गए अंतरराष्ट्रीय वैज्ञानिक समूह ने डिजाइन किया है, “फोटॉनों के माध्यम से क्लॉक सिग्नल उत्पन्न करने के लिए प्रकाश को माध्यम के रूप में” उपयोग करता है।
उन्होंने एक “ऑन‑चिप माइक्रोकोम्ब” विकसित किया है जो सिंगल‑फ़्रीक्वेंसी और वाइडबैंड सिग्नल को संश्लेषित कर सकता है और सिस्टम में इलेक्ट्रॉनिक्स के लिए रेफ़रेंस क्लॉक्स प्रदान करता है।
“चिप पर एक रेसकोर्स जैसा रिंग बनाकर, प्रकाश निरंतर प्रकाश की गति से ‘दौड़’ सकता है। प्रत्येक लैप का समय फिर ऑन‑चिप क्लॉक का मानक बन जाता है,” पेकिंग विश्वविद्यालय के सूचना और संचार प्रौद्योगिकी संस्थान में सहायक प्रोफेसर चांग लिन, मुख्य लेखक ने कहा। “क्योंकि एक लैप कुछ अरबवें सेकंड में पूरा होता है, क्लॉक अत्यधिक उच्च गति पर समय को नियंत्रित कर सकता है।”
नई तकनीक से सुसज्जित, चिप्स विभिन्न माइक्रोवेव फ़्रीक्वेंसी बैंड को कवर कर सकते हैं।
टीम ने 100 GHz से अधिक की क्लॉक स्पीड हासिल की है और कहा है कि वे 8‑इंच वेफ़र पर हजारों समान चिप्स बना सकते हैं, जबकि वे स्थिरता समस्याओं को हल कर रहे हैं और पैकेजिंग प्रक्रियाओं को अनुकूलित कर रहे हैं।
एक अन्य अंतरराष्ट्रीय शोधकर्ता टीम ने फोटॉनिक्स के माध्यम से मूर के नियम की सीमाओं को संबोधित करने की कोशिश की, लेकिन उन्होंने एक मैग्नेटो‑ऑप्टिकल सामग्री का उपयोग किया।
यह सामग्री सेरियम‑प्रतिस्थापित यट्रियम आयरन गार्नेट (YIG) है, जिसकी ऑप्टिकल विशेषताएँ बाहरी चुंबकीय क्षेत्रों के प्रति गतिशील रूप से बदलती हैं।
छोटे चुंबकों का उपयोग करके डेटा संग्रहीत करने और सामग्री के भीतर प्रकाश के ट्रांसफ़र को नियंत्रित करने से, शोधकर्ताओं ने एक नई प्रकार की मैग्नेटो‑ऑप्टिकल मेमोरी का आविष्कार किया।
इस नई मेमोरी वर्ग, अध्ययन के अनुसार, उन्नत फोटॉनिक इंटीग्रेटेड तकनीक की तुलना में 100 गुना तेज़ स्विचिंग स्पीड रखती है, लगभग एक‑दसवां शक्ति खपत करती है, और 2.3 बिलियन बार से अधिक पुनःप्रोग्राम की जा सकती है, जिससे संभावित रूप से अनंत जीवनकाल मिल सकता है।
इसी बीच, यूएस में MIT के वैज्ञानिकों ने एक फोटॉनिक प्रोसेसर प्रदर्शित किया है जो चिप पर सभी एआई गणनाओं को ऑप्टिकली कर सकता है।
उनका ऑप्टिकल डिवाइस वास्तव में एक एमएल वर्गीकरण कार्य के मुख्य गणनाओं को आधे नैनोसेकंड से कम समय में 92% सटीकता के साथ पूरा किया।
अपने कार्य में, वैज्ञानिकों ने नॉनलाइनर ऑप्टिकल फ़ंक्शन यूनिट्स (NOFUs) को डिजाइन किया ताकि ऑप्टिक्स में नॉनलाइनरिटी की चुनौती को संबोधित किया जा सके, जो फोटॉनों के एक‑दूसरे के साथ आसानी से अंतःक्रिया न करने के कारण होती है, जिससे ऑप्टिकल नॉनलाइनरिटीज़ को सक्रिय करना ऊर्जा‑गहन हो जाता है। NOFUs ऑप्टिक्स और इलेक्ट्रॉनिक्स को मिलाकर चिप पर नॉनलाइनर ऑपरेशन्स को एकीकृत करते हैं।
जबकि विश्वविद्यालय अपने प्रूफ़‑ऑफ़‑कॉन्सेप्ट ऑप्टिकल चिप्स दिखा रहे हैं, प्रमुख टेक कंपनियां पीछे नहीं हैं; वे सक्रिय रूप से खोज रहे हैं कि ये सिद्धांत व्यावसायिक एआई सिस्टम को तेज़ और अधिक पर्यावरणीय बना सकते हैं।
माइक्रोसॉफ्ट के शोधकर्ताओं ने एक प्रकाश‑आधारित कंप्यूटर का विवरण दिया, जो कैमरा सेंसर और माइक्रो‑LEDs का उपयोग करके एआई को सौ गुना अधिक कुशल बनाता है।
टेक दिग्गज का प्रोटोटाइप एनालॉग ऑप्टिकल कंप्यूटर (AOC) एक समस्या को कई बार गणना करता है, और प्रत्येक बार यह सुधार करता है जब तक कि “स्थिर अवस्था” प्राप्त न हो जाए।
“AOC का सबसे महत्वपूर्ण पहलू यह है कि हम ऊर्जा दक्षता में लगभग सौ गुना सुधार का अनुमान लगाते हैं,” माइक्रोसॉफ्ट के एआई शोधकर्ता जैनस ग्लैडरो, जिन्होंने इस अध्ययन में सह‑लेखक के रूप में योगदान दिया, कंपनी के ब्लॉग पोस्ट में कहा। “यह अकेले हार्डवेयर में अनसुना है।”
इसी समय, टीम ने एक “डिजिटल ट्विन” प्रोग्राम किया, जो एक मॉडल है जो भौतिक AOC की गणनाओं की नकल करता है और अधिक वेरिएबल्स और अधिक जटिल गणनाओं को संभालने के लिए स्केल किया जा सकता है। यह मॉडल टीम को “उपकरण स्वयं से बड़े समस्याओं पर काम करने” में सक्षम बनाता है, जैसा कि माइकल हैंसेन, माइक्रोसॉफ्ट हेल्थ फ्यूचर्स के वरिष्ठ निदेशक, बायोमेडिकल सिग्नल प्रोसेसिंग ने कहा।
कंप्यूटर पहले से ही कुछ कार्यों जैसे MRI इमेज पुनर्निर्माण, वित्तीय लेनदेन मिलान, और सरल एआई इनफ़रेंस को संभाल सकता है।
AOC का परीक्षण करने के लिए, टीम ने पहले इसे छवियों को वर्गीकृत करने का सरल कार्य दिया, और भौतिक AOC ने डिजिटल कंप्यूटर के स्तर के करीब प्रदर्शन किया। फिर इसका डिजिटल ट्विन मूल डेटा के केवल 62.5% का उपयोग करके मस्तिष्क स्कैन की छवि को पुनर्निर्मित करने के लिए उपयोग किया गया, और उसने इसे सटीक रूप से किया। वैज्ञानिकों का मानना है कि यह उपलब्धि MRI समय को कम कर सकती है।
AOC का उपयोग वित्तीय समस्याओं को हल करने के लिए भी किया गया, जिसमें इसकी सफलता दर वर्तमान क्वांटम कंप्यूटर्स से अधिक थी।
IBM के साथ एक साक्षात्कार में, माइक्रोसॉफ्ट रिसर्च कैम्ब्रिज की प्रमुख शोधकर्ता फ्रांसेस्का पार्मिज़ियानी ने कहा कि उनका सिस्टम “ड्यूल‑डोमेन क्षमता” रखता है, जिसका अर्थ है कि यह एक ही हार्डवेयर का उपयोग करके दो प्रकार के कार्य कर सकता है। यह फिक्स्ड‑पॉइंट सर्च पर आधारित है, जो दोनों समस्याओं के समाधान को जोड़ता है।
“जो बात मुझे सबसे अधिक उत्साहित करती है वह यह है कि हम पहले से ही एक ही हार्डवेयर पर एआई और ऑप्टिमाइज़ेशन दोनों के वर्कलोड चला सकते हैं,” उन्होंने कहा। “हम अभी छोटे पैमाने पर हैं, लेकिन यह एक महत्वपूर्ण पहला कदम है।”
IBM स्वयं फोटॉनों का उपयोग कर रहा है, गणनाओं के लिए नहीं, बल्कि जानकारी को तेज़ी से ले जाने के लिए। “हम एआई अनुप्रयोगों के लिए बहुत उच्च घनत्व पर डेटा भेजने के लिए प्रकाश का उपयोग कर रहे हैं,” IBM रिसर्च के रिसर्च साइंटिस्ट जीन बेनोइट हेरेक्स ने कहा। वे फोटॉनिक लिंक विकसित कर रहे हैं जो चिप्स, मेमोरी और बोर्डों के बीच डेटा ट्रांसफ़र करते हैं।
फोटॉनिक्स कंप्यूटिंग में निवेश
जैसे ही फोटॉनिक कंप्यूटिंग की गति तेज़ एआई गणना की मांग के बीच प्रमुख टेक खिलाड़ियों का ध्यान आकर्षित करती है, एआई पसंदीदा NVIDIA (NVDA ) भी फोटॉनिक इंटरकनेक्ट्स और ऑप्टिकल नेटवर्किंग को एकीकृत करने के तरीकों की खोज कर रहा है ताकि अपने हार्डवेयर को और आगे धकेला जा सके।
GPU‑ड्रिवेन एआई क्रांति का नेतृत्व करते हुए, NVIDIA पारंपरिक चिप आर्किटेक्चर को सीमित करने वाले बैंडविड्थ बाधाओं को पार करने के लिए ऑप्टिकल डेटा ट्रांसमिशन पर शोध कर रहा है।
इस वर्ष की शुरुआत में, कंपनी ने को‑पैकेज्ड ऑप्टिक्स (CPO) वाले फोटॉनिक स्विच लॉन्च किए ताकि पारंपरिक नेटवर्क की तुलना में 10 गुना अधिक नेटवर्क लचीलापन, 3.5 गुना बेहतर पावर दक्षता, और 1.3 गुना तेज़ डिप्लॉयमेंट समय प्रदान किया जा सके।
चिप निर्माता के स्टॉक प्रदर्शन के बारे में, इस सप्ताह, यह $5 ट्रिलियन के बाजार मूल्य को छूने वाली पहली कंपनी बन गई, क्योंकि इसका शेयर मूल्य $212 से ऊपर बढ़कर एक नई सर्वकालिक उच्च (ATH) पर पहुंच गया। वर्तमान में $207 पर ट्रेडिंग, NVIDIA के शेयर YTD में 54% से अधिक बढ़े हैं।
(NVDA )
इसका EPS (TTM) 3.51 और P/E (TTM) 58.93 है। Nvidia शेयरधारकों को 0.02% का डिविडेंड यील्ड दिया जाता है।
Nvidia की वित्तीय स्थिति के संबंध में, कंपनी ने वित्तीय वर्ष 2026 की दूसरी तिमाही में $46.7 बिलियन का राजस्व बताया। जबकि कुल राजस्व पिछले तिमाही से 6% बढ़ा, Nvidia के डेटा सेंटर राजस्व में 5% की वृद्धि होकर $41.1 बिलियन हो गया, और ब्लैकवेल डेटा सेंटर राजस्व क्रमिक रूप से 17% बढ़ा।
निष्कर्ष
जैसे ही एआई का उत्साह दुनिया भर में फैल रहा है, शोधकर्ता और कंपनियां इलेक्ट्रॉनों को फोटॉनों से बदलने पर काम कर रही हैं ताकि गति, स्केलेबिलिटी और ऊर्जा दक्षता की नई दुनिया को अनलॉक किया जा सके। एआई इन्फ्रास्ट्रक्चर को पुनः परिभाषित करने के इस प्रयास में, त्सिंगहुआ विश्वविद्यालय के ऑप्टिकल इंजन की हालिया ब्रेकथ्रू दिखाती है कि प्रकाश‑आधारित सिस्टम विशिष्ट कार्यों में अपने इलेक्ट्रॉनिक समकक्षों को बराबर या उससे भी बेहतर कर सकते हैं।
लेकिन फोटॉनिक कंप्यूटिंग अभी भी परीक्षण चरण में है। एक बार फोटॉनिक कंप्यूटिंग परिपक्व हो जाए और लागत प्रभावी बन जाए, तो यह एक ऐसे युग की शुरुआत कर सकता है जहाँ कंप्यूटिंग प्रकाश की गति से चलती है।
यहाँ क्लिक करें और जानें कि प्रकाश‑चालित चिप एआई को 100 गुना कैसे बढ़ा रही है।
संदर्भ
1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). उच्च गति और कम लेटेंसी वाला ऑप्टिकल फीचर एक्सट्रैक्शन इंजन डिफ्रैक्शन ऑपरेटरों पर आधारित. Advanced Photonics Nexus, 4(5), 056012. https://doi.org/10.1117/1.APN.4.5.056012
2. Pintus, P., Dumont, M., Shah, V., Murai, T., Shoji, Y., Huang, D., Moody, G., Bowers, J. E., Youngblood, N., et al. (2025). फोटॉनिक इन‑मेमोरी कंप्यूटिंग के लिए अल्ट्रा‑हाई एंड्योरेंस के साथ एकीकृत नॉन‑रिसिप्रोकल मैग्नेटो‑ऑप्टिक्स. Nature Photonics, 19, 54–62. https://doi.org/10.1038/s41566-024-01549-1
3. Bandyopadhyay, S., Sludds, A., Krastanov, S., Hamerly, R., Harris, N., Bunandar, D., Streshinsky, M., Hochberg, M., & Englund, D. (2024). फॉरवर्ड‑ओनली ट्रेनिंग के साथ सिंगल‑चिप फोटॉनिक डीप न्यूरल नेटवर्क. Nature Photonics, 18, 1335-1343. https://doi.org/10.1038/s41566-024-01567-z
4. Kalinin, K. P., Gladrow, J., Chu, J., Clegg, J. H., Cletheroe, D., Kelly, D. J., Rahmani, B., Brennan, G., Canakci, B., Falck, F., Hansen, M., Kleewein, J., Kremer, H., O’Shea, G., Pickup, L., Rajmohan, S., Rowstron, A., Ruhle, V., Braine, L., Khedekar, S., Berloff, N. G., Gkantsidis, C., Parmigiani, F., & Ballani, H. (2025). एआई इनफ़रेंस और संयोजनात्मक ऑप्टिमाइज़ेशन के लिए एनालॉग ऑप्टिकल कंप्यूटर. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z
