จากซิลิคอนสู่แสงสว่าง: คลื่นลูกใหม่ของฮาร์ดแวร์ AI

เนื่องจากปัญญาประดิษฐ์ (AI) ได้รับความนิยมและมีประสิทธิภาพมากขึ้นเรื่อย ๆ ความต้องการความเร็วและพลังงานก็เพิ่มขึ้นเช่นกัน ความต้องการระบบที่เร็วขึ้น ฉลาดขึ้น และมีประสิทธิภาพมากขึ้น ทำให้นักวิจัยหันมาสำรวจทางเลือกใหม่ที่ก้าวล้ำ นั่นคือ การประมวลผลด้วยแสง (Optical Computing)

แตกต่างจากหน่วยประมวลผลแบบดั้งเดิมที่ใช้อิเล็กตรอน การประมวลผลด้วยแสงใช้โฟตอนหรืออนุภาคของแสงในการส่งและประมวลผลข้อมูล การเปลี่ยนแปลงนี้มีข้อดีที่สำคัญสองประการ

ประการแรก โฟตอนมีประสิทธิภาพด้านพลังงานสูงมาก พวกมันสร้างความร้อนน้อยกว่าอิเล็กตรอนอย่างมาก ซึ่งอิเล็กตรอนสร้างความร้อนสูงมากจนจำกัดประสิทธิภาพการทำงานและต้องใช้ระบบระบายความร้อนขนาดใหญ่และราคาแพงในศูนย์ข้อมูล

ประการที่สอง แสงเดินทางเร็วกว่ากระแสไฟฟ้ามาก ทำให้การดำเนินการต่างๆ รวดเร็วขึ้นอย่างเห็นได้ชัด สัญญาณแสงยังสามารถส่งข้อมูลได้มากกว่า ทำให้การประมวลผลสะอาดและรวดเร็วยิ่งขึ้น

ด้วยเหตุนี้ ปัจจุบันจึงมีความสนใจในด้านการคำนวณด้วยแสงเพิ่มมากขึ้น เทคโนโลยีนี้แสดงให้เห็นผลลัพธ์ที่น่าจับตามองในห้องปฏิบัติการ และดึงดูดการลงทุนจำนวนมากจากบริษัทชั้นนำต่างๆ

อย่างไรก็ตาม การนำความสำเร็จในห้องปฏิบัติการมาประยุกต์ใช้ในอุปกรณ์โฟตอนิกส์นั้นพิสูจน์แล้วว่าค่อนข้างยาก เราต้องเอาชนะอุปสรรคหลายประการก่อน โฟตอนไม่ปฏิสัมพันธ์กันตามธรรมชาติ ทำให้ยากต่อการสร้างวงจรตรรกะเชิงแสงซึ่งเป็นพื้นฐานของการคำนวณ นอกจากนี้ เทคโนโลยีนี้ยังอยู่ในระหว่างการวิจัย จึงยังไม่มีความสมบูรณ์และประหยัดต้นทุนเท่ากับการผลิตชิปอิเล็กทรอนิกส์ที่ดำเนินการเชิงพาณิชย์มานานหลายทศวรรษ

นอกจากนี้ยังมีเรื่องของต้นทุน ขนาด และอัตราการมอดูเลตที่ต่ำ จำกัด ชุดอุปกรณ์ทางแสงที่มีอยู่ส่วนใหญ่ 

การศึกษาชิ้นใหม่ได้ก้าวไปอีกขั้นสำคัญในการเอาชนะอุปสรรคนี้ บาง ข้อจำกัดโดยการพัฒนา ใหม่ กลไกออปติคอล, ที่ ผสานความเร็ว ประสิทธิภาพ และความกะทัดรัดเข้าด้วยกัน หนึ่ง ชิป.

นักวิจัยจากมหาวิทยาลัยชิงหัวได้พัฒนาระบบแสงแบบใหม่ที่ล้ำสมัยสำหรับการคำนวณที่ ดำเนินการสกัดคุณลักษณะ ด้วยความหน่วงต่ำอย่างที่ไม่เคยมีมาก่อน ซึ่งมีศักยภาพที่จะปฏิวัติวงการ การประมวลผลด้วย AI

การใช้งานของ การใช้แสงแทนไฟฟ้าในการประมวลผลข้อมูลช่วยให้เทคโนโลยีนี้สามารถเร่งความเร็วในการคำนวณได้อย่างมาก พร้อมทั้งลดเวลาแฝงให้น้อยที่สุด ซึ่งถือเป็นก้าวสำคัญสู่ปัญญาประดิษฐ์แบบเรียลไทม์

หัวใจสำคัญของระบบใหม่นี้คืออินเตอร์เฟอโรเมตรแบบ Mach-Zehnder ที่ใช้ตัวขยายสัญญาณแสงเซมิคอนดักเตอร์ หรือ SOA-MZI 

SOA คืออุปกรณ์ขนาดกะทัดรัดที่ขยายสัญญาณแสงโดยตรงผ่านการปล่อยแสงแบบกระตุ้น ในขณะเดียวกัน MZI ซึ่งเป็นหนึ่งในเครื่องมือทางแสงที่เก่าแก่ที่สุด ก็เป็นอุปกรณ์พื้นฐาน การรบกวนของท่อนำคลื่น อุปกรณ์ที่ประกอบด้วยตัวเชื่อมต่อสองตัวที่เชื่อมต่อกันโดย สอง ท่อนำคลื่นที่มีความยาวแตกต่างกัน

ต่อไปนี้คือการตั้งค่า SOA-MZI ช่วยให้ แสงถึง ดำเนินการ งานที่เป็นพื้นฐานของการเรียนรู้เชิงลึก ข้อมูลในที่นี้ได้รับการประมวลผลแล้ว และมีคุณสมบัติเด่น กดไลก์ ลวดลายและขอบ ถูกตรวจพบ ในสัญญาณไฟ, โดยไม่ต้องแปลง พวกเขา กลับเข้าสู่ระบบไฟฟ้าอีกครั้ง

นอกจากนี้ยังมี a มัลติเพล็กซ์แบบแบ่งความยาวคลื่น (ดับเบิ้ลยูดีเอ็ม)วิธีการนี้ถูกใช้โดยอุปกรณ์. วิธีการนี้จะแยกแสงออกเป็นสเปกตรัมของสีต่างๆ โดยแต่ละสีจะมีกระแสข้อมูลของตัวเอง การใช้ประโยชน์จาก WDM ช่วยให้ชิปสามารถทำงานได้ หลาย การคำนวณแบบขนาน ดังนั้น ที่เพิ่มขึ้น ผ่าน 

เมื่อนำไปทดสอบในห้องปฏิบัติการ เครื่องยนต์สามารถประมวลผลข้อมูลได้ที่ ความเร็วมากถึง อัตราการส่งข้อมูล 10 กิกะบิตต่อวินาที (Gbps) ต่อช่องสัญญาณ โดยมีเวลาแฝงเพียงไม่กี่สิบพิโควินาที (ps) เพื่อให้เข้าใจง่ายขึ้น 1 พิโควินาที เท่ากับ 1,000 เฟมโตวินาที หรือหนึ่งในพันของนาโนวินาที

ผลลัพธ์เหล่านี้แสดงให้เห็นว่าเครื่องยนต์ทำงานได้เร็วกว่าหน่วยประมวลผลอิเล็กทรอนิกส์ใดๆ มาก อาจ หวังว่าจะบรรลุเป้าหมาย

นี้อะไร ความเร็วหมายถึง คือ ระบบสามารถประมวลผลข้อมูลได้ใน เรียลไทม์ทำให้มัน สมบูรณ์ สำหรับการใช้งาน กดไลก์ การซื้อขายความถี่สูง, การถ่ายภาพทางการแพทย์, หุ่นยนต์ ศัลยกรรม, or ยานยนต์ไร้คนขับ แอปพลิเคชันเหล่านี้อาศัยความสามารถของ AI ในการดึงคุณลักษณะสำคัญจากข้อมูลดิบได้อย่างรวดเร็ว แม้กระทั่งในเวลาเพียงไม่กี่มิลลิวินาที มีความสำคัญอย่างยิ่ง. 

ความก้าวหน้าครั้งสำคัญ: หน่วยประมวลผลแสงและปัญญาประดิษฐ์แบบเรียลไทม์ของมหาวิทยาลัยชิงหัว

กฎหมายของมัวร์ พูดว่า จำนวนทรานซิสเตอร์บนไมโครชิปเพิ่มขึ้นเป็นสองเท่า เกี่ยวกับ ทุกๆ สอง ปี. ผลลัพธ์นี้ใน เพิ่มขึ้นใน พลังการประมวลผล การลดลงของต้นทุนและ ทั้งหมด อุปกรณ์ขนาดเล็กกว่า

แนวโน้มนี้ ซึ่งเป็นแรงผลักดันสำคัญในการสร้างนวัตกรรมในอุตสาหกรรมเซมิคอนดักเตอร์ ปัจจุบัน น่าจะเป็น ใกล้จะสิ้นสุดแล้ว ขนาดของทรานซิสเตอร์ลดลงเหลือเพียงไม่กี่นาโนเมตร ซึ่งถือว่าใกล้ถึงขีดจำกัดทางกายภาพของเทคโนโลยีที่ใช้ซิลิคอนแล้ว

นอกจากขนาดที่เล็กกว่าซึ่งนำไปสู่การทะลุผ่านของอิเล็กตรอนและกระแสรั่วไหลแล้ว ที่เพิ่มขึ้น เนื่องจากการใช้พลังงานและการเกิดความร้อน ต้นทุนการผลิตไมโครชิปที่ทันสมัยจึงพุ่งสูงขึ้นอย่างมาก ในขณะเดียวกัน ซิลิคอนเองก็กำลังเข้าถึงขีดจำกัดด้านประสิทธิภาพและความสามารถในการขยายขนาดแล้ว

แจกันดอกไม้โรแมนติกนี้ นี่คือเหตุผลที่นักวิจัยและ บริษัทต่างๆ กำลังมองหาทางเลือกอื่นๆ เช่น ชิปเล็ต, ระบบในแพ็คเกจ (SiP), หน่วยความจำแบบไม่ลบเลือน, การคำนวณควอนตัม, การคำนวณทางชีวภาพ และแน่นอนว่ารวมถึงโฟโตนิกส์ด้วย 

ในบรรดาทางเลือกเหล่านี้ เทคโนโลยีโฟโตนิกส์ดูจะมีความน่าสนใจเป็นพิเศษสำหรับการประยุกต์ใช้ในปัญญาประดิษฐ์ โดยการใช้พลังของแสง การสกัดคุณลักษณะ, ขั้นตอนสำคัญในด้านการเรียนรู้ของเครื่องจักร, สามารถเร่งความเร็วได้อย่างมาก 

การสกัดคุณลักษณะคือกระบวนการแปลงข้อมูลดิบให้เป็นคุณลักษณะ ชุดคุณลักษณะเชิงตัวเลขที่เรียบง่ายกว่า ซึ่งแสดงถึงปัญหาพื้นฐานได้ดีขึ้นสำหรับแบบจำลองการเรียนรู้ของเครื่อง (ML) เทคนิคนี้ช่วยลดความซับซ้อนของข้อมูลเพื่อดึงข้อมูลที่เกี่ยวข้องมากที่สุดออกมา ซึ่งจะช่วยปรับปรุงประสิทธิภาพและประสิทธิผลของอัลกอริธึม ML

แม้ว่าแสงจะช่วยเร่งความเร็วในการสกัดคุณลักษณะได้ แต่การรักษาแสงให้คงที่และสม่ำเสมอเพื่อการคำนวณทางแสงที่รวดเร็วนั้นเป็นเรื่องที่ท้าทายอย่างยิ่ง 

ไปยัง ต่อสู้ นักวิจัย จาก มหาวิทยาลัยซิงหัว ได้พัฒนาเครื่องมือสกัดคุณลักษณะเชิงแสงรุ่นที่สอง (OFE2)¹ ที่สามารถทำการสกัดคุณลักษณะทางแสงได้ สำหรับ มีการประยุกต์ใช้ในทางปฏิบัติมากมาย ระบบแบบบูรณาการบนชิปใช้ตัวแยกกำลังที่ปรับได้และสายหน่วงเวลาที่แม่นยำเพื่อส่งสัญญาณแสงแบบขนานที่มีเสถียรภาพ

ระบบ แปลงข้อมูลที่เข้ามาเป็นข้อมูลแบบอนุกรม กระแสข้อมูล โดยการสุ่มตัวอย่างสัญญาณอินพุตให้กลายเป็นคลื่นแสงที่ซิงโครไนซ์กันหลายคลื่น ที่อนุญาตให้ การประมวลผลแบบขนานและแบบเรียลไทม์

จากนั้นคลื่นแสงเหล่านี้จะผ่านตัวดำเนินการการเลี้ยวเบน ซึ่งเป็นโครงสร้างรูปแผ่นขนาดเล็กที่ทำการคำนวณขณะที่แสงเคลื่อนที่ผ่าน การทำงานนี้เลียนแบบการคูณเมทริกซ์กับเวกเตอร์ ซึ่งเป็นการดำเนินการพื้นฐานของปัญญาประดิษฐ์ที่ใช้ในการแปลงและประมวลผลข้อมูล

หลักการสำคัญของการทำงานนี้คือ วิธีที่แสงที่หักเหสร้าง "จุดสว่าง" ที่โฟกัสที่เอาต์พุต เนื่องจาก มันสามารถเบี่ยงเบนได้บางส่วน โดยการปรับเฟสของไฟอินพุตแบบขนานเพื่อส่งสัญญาณไปยังพอร์ตเอาต์พุตเฉพาะ การเปลี่ยนแปลงกำลังขับที่เกิดขึ้นนี้ พร้อมกับการเปลี่ยนแปลงที่สอดคล้องกัน ทำให้เครื่องยนต์ของพวกเขา หรือที่รู้จักกันในชื่อ OFE2 สามารถทำงานได้อย่างมีประสิทธิภาพ คุณสมบัติของ อินพุท ความแปรผันของสัญญาณ ล่วงเวลา.

OFE2 ดำเนินงานที่ อัตราของ ความเร็ว 12.5 GHz ซึ่งเป็นสถิติสูงสุดในด้านการประมวลผลด้วยแสง และสามารถทำการคูณเมทริกซ์กับเวกเตอร์ได้เพียงครั้งเดียว ภายใน 250.5 แรงม้า ซึ่งเป็น ความหน่วงต่ำที่สุดเมื่อเทียบกับคู่แข่งที่คล้ายคลึงกัน การใช้งานของ การคำนวณด้วยแสง

“เราเชื่อมั่นอย่างยิ่งว่างานวิจัยนี้เป็นมาตรฐานสำคัญสำหรับการพัฒนาการประมวลผลด้วยการเลี้ยวเบนแสงแบบบูรณาการให้สามารถทำได้เกิน 10 GHz ในการใช้งานจริง”

– ศาสตราจารย์หงเหว่ย เฉิน ผู้ซึ่งทำการวิจัยนี้ร่วมกับทีมงานที่มหาวิทยาลัยชิงหัว

ทีมงานได้แสดงให้เห็นถึงความสามารถที่แข็งแกร่งของระบบของพวกเขาในงานต่างๆ

เมื่อทดสอบกับงานซื้อขายดิจิทัล OFE2 ทำได้ดีเยี่ยม โดยเทรดเดอร์ป้อนสัญญาณราคาแบบเรียลไทม์เข้าไปใน OFE2 และเอนจินที่ได้รับการกำหนดค่าอย่างเหมาะสมจะสร้างสัญญาณเอาต์พุตที่... แปลโดยตรง นำไปสู่การตัดสินใจซื้อหรือขายเพื่อให้ได้ผลกำไรที่มั่นคงโดยมีความล่าช้าน้อยที่สุด เนื่องจากระบบทำงานด้วยความเร็วแสง

นอกจากนี้ ทีมงานยังใช้ OFE2 ในการประมวลผลภาพด้วย ที่ไหน เอนจินจะแยกคุณลักษณะขอบจากภาพอินพุตและ ที่สร้างขึ้น แผนที่ลักษณะเด่นสองแบบที่เสริมกัน มีลักษณะคล้ายภาพนูนต่ำและภาพแกะสลัก คุณสมบัติทางแสงที่ผลิตโดย OFE2 มีประสิทธิภาพดีกว่ามาก in การจำแนกภาพและเพิ่มประสิทธิภาพ พิกเซล ความแม่นยำในการแบ่งส่วนความหมาย กดไลก์ การระบุอวัยวะในภาพถ่ายเอกซเรย์คอมพิวเตอร์ (CT scan)

ที่สำคัญกว่านั้น เมื่อระบบ AI ใช้ OFE2 ระบบเหล่านั้นต้องการพารามิเตอร์ทางอิเล็กทรอนิกส์น้อยลง ซึ่งแสดงให้เห็นถึงศักยภาพของการประมวลผลล่วงหน้าด้วยแสงในการสร้างระบบ AI แบบไฮบริดที่เบากว่า มีประสิทธิภาพมากกว่า และราคาถูกกว่า การทำงานหนัก จะดำเนินการ โดยการประมวลผลล่วงหน้าทางแสงในขณะที่โมเดล AI สามารถมุ่งเน้นไปที่การเรียนรู้และการตีความได้

ผลลัพธ์เหล่านี้ชี้ให้เห็นว่าภาระการคำนวณที่หนักหน่วงที่สุดสามารถย้ายจากอิเล็กทรอนิกส์ไปยังโฟโตนิกส์ได้ ซึ่งจะเปิดทางสู่โมเดล AI แบบเรียลไทม์ในอนาคต

นักวิจัยระบุว่า อุปกรณ์ของพวกเขาสามารถประมวลผลได้ ใหญ่ สตรีมข้อมูลที่มี น้อยมาก การสูญเสียพลังงานในขณะที่ยังคงรักษาความสมบูรณ์ของสัญญาณได้ดีแม้ภายใต้ภาระหนัก

“ความก้าวหน้าที่นำเสนอในงานวิจัยของเราช่วยผลักดันให้ตัวดำเนินการการเลี้ยวเบนแบบบูรณาการทำงานได้เร็วขึ้น ซึ่งช่วยสนับสนุนบริการที่ต้องการการประมวลผลสูงในด้านต่างๆ เช่น การจดจำภาพ การดูแลสุขภาพแบบช่วยเหลือ และการเงินดิจิทัล” เฉินกล่าว “เราหวังเป็นอย่างยิ่งที่จะได้ร่วมมือกับพันธมิตรที่มีความต้องการด้านการประมวลผลข้อมูลจำนวนมาก”

คลิกที่นี่เพื่อเรียนรู้ว่าการประมวลผลด้วยความเร็วแสงเป็นไปได้อย่างไรด้วยซิลิคอนโฟโตนิกส์

การแข่งขันระดับโลกเพื่อพลิกโฉมการคำนวณด้วยโฟโตนิกส์ 

ปัดเพื่อเลื่อน →

ความก้าวหน้าจากมหาวิทยาลัยชิงหัวเป็นส่วนหนึ่งของการเปลี่ยนแปลงครั้งใหญ่ระดับโลก นักวิทยาศาสตร์ทั่วโลกกำลังเร่งหาทางเอาชนะข้อจำกัดทางอิเล็กทรอนิกส์โดยหันมาใช้เทคโนโลยีแสงแทน

เมื่อต้นปีนี้ ทีมจากจีนอีกทีมหนึ่งก็ทำผลงานได้ดีเช่นกัน เปิดตัว ของมัน ชิป, ที่ใช้ แสงสามารถใช้ในการซิงโครไนซ์โปรเซสเซอร์ และอาจปลดล็อกการสื่อสารยุคใหม่และการประมวลผล AI ความเร็วสูงได้

ชิปแบบดั้งเดิมสร้างสัญญาณนาฬิกาโดยใช้ออสซิลเลเตอร์อิเล็กทรอนิกส์, และ พวกเขา มักจะ เพียง ดำเนินการที่ หนึ่ง ความเร็วสัญญาณนาฬิกาหลัก ซึ่งหมายถึงการใช้งานที่แตกต่างกัน จำเป็นต้อง เทคโนโลยีการผลิตชิปที่แตกต่างกัน ชิปตัวใหม่ที่ออกแบบโดย กลุ่มนักวิทยาศาสตร์นานาชาติ นำโดยมหาวิทยาลัยปักกิ่งของจีน ใช้ “แสงเป็นสื่อกลางในการสร้างสัญญาณนาฬิกาผ่านโฟตอน”

พวกเขาได้พัฒนา “ไมโครคอมบ์บนชิป” ที่สามารถสังเคราะห์สัญญาณความถี่เดียวและสัญญาณย่านความถี่กว้าง และให้สัญญาณนาฬิกาอ้างอิงสำหรับ อุปกรณ์อิเล็กทรอนิกส์ในระบบ.

“ด้วยการสร้างวงแหวนที่มีลักษณะคล้ายสนามแข่งรถบนชิป แสงสามารถ ‘วิ่ง’ ได้อย่างต่อเนื่องด้วยความเร็วแสง เวลาในแต่ละรอบ” จากนั้นจึงนำไปใช้ “ในฐานะมาตรฐานของนาฬิกาภายในชิป” ชาง หลิน ผู้ช่วยและผู้เขียนหลักกล่าว ศาสตราจารย์ประจำสถาบันเทคโนโลยีสารสนเทศและการสื่อสาร ที่มหาวิทยาลัยปักกิ่ง “เนื่องจากการวิ่งรอบสนามใช้เวลาเพียงไม่กี่พันล้านส่วนของวินาที นาฬิกาจึงสามารถควบคุมเวลาด้วยความเร็วสูงมากได้”

ด้วยเทคโนโลยีใหม่ ชิปเหล่านี้สามารถครอบคลุมพื้นที่ได้ ต่างๆ แถบความถี่ไมโครเวฟ

ทีมงานประสบความสำเร็จในการทำความเร็วสัญญาณนาฬิกาได้เกิน 100 GHz แล้ว มี กล่าวว่า ที่ พวกเขาสามารถผลิตชิปที่เหมือนกันหลายพันชิ้นบนแผ่นเวเฟอร์ขนาด 8 นิ้วได้ พวกเขาตัดสินใจ ปัญหาด้านเสถียรภาพและ เพิ่มโอกาสการมองเห็น กระบวนการบรรจุภัณฑ์

อีกหนึ่งทีมวิจัยนานาชาติ พยายาม ไปยัง กล่าวถึงข้อจำกัดของกฎของมัวร์² ผ่านทางโฟโตนิกส์ แต่ พวกเขานำมาใช้ วัสดุแม่เหล็กไฟฟ้า วัสดุดังกล่าวคือ อิตเทรียม ไอรอน การ์เนต (YIG) ที่มีการแทนที่ด้วยซีเรียม ซึ่งคุณสมบัติทางแสงจะเปลี่ยนแปลงไปตามสนามแม่เหล็กภายนอก 

ใช้แม่เหล็กขนาดเล็กในการจัดเก็บข้อมูลและควบคุม โอน ปิดไฟ ภายในวัสดุดังกล่าว นักวิจัยได้บุกเบิกหน่วยความจำแม่เหล็กไฟฟ้าชนิดใหม่

จากการศึกษาพบว่า หน่วยความจำชนิดใหม่นี้มีความเร็วในการสลับข้อมูลเร็วกว่าเทคโนโลยีโฟโตนิกส์แบบรวมขั้นสูงถึง 100 เท่า ใช้พลังงานเพียงประมาณหนึ่งในสิบ และสามารถตั้งโปรแกรมใหม่ได้มากกว่า 2.3 พันล้านครั้ง ซึ่งอาจหมายถึงอายุการใช้งานที่ยาวนานไม่จำกัด

ในขณะเดียวกัน ในสหรัฐอเมริกา นักวิทยาศาสตร์ จาก เอ็มไอทีมี แสดงให้เห็นถึง³ ตัวประมวลผลโฟตอนิกส์ที่ ทำได้ ทั้งหมด การคำนวณ AI ด้วยวิธีการทางแสงบนชิป อุปกรณ์ทางแสงของพวกเขาจริงๆแล้ว เสร็จ การคำนวณที่สำคัญสำหรับงานจำแนกประเภทด้วยแมชชีนเลิร์นนิงในเวลาไม่ถึงครึ่งนาโนวินาที ที่มาคู่กับ ความแม่นยำ 92%

ในการทำงานของพวกเขา นักวิทยาศาสตร์ได้ออกแบบหน่วยฟังก์ชันทางแสงแบบไม่เชิงเส้น (NOFU) เพื่อแก้ไขปัญหาความไม่เชิงเส้นในทางแสง ซึ่ง เป็นเพราะ โฟตอนไม่ใช่ การมีปฏิสัมพันธ์ สีสดสวย เข้ากันได้ง่าย, ดังนั้น ทำให้การกระตุ้นปรากฏการณ์ไม่เชิงเส้นทางแสงต้องใช้พลังงานสูง NOFU ผสานรวมระบบแสงและอิเล็กทรอนิกส์เพื่อบูรณาการการทำงานแบบไม่เชิงเส้น บนชิป.

ในขณะที่มหาวิทยาลัยต่างๆ กำลังสาธิตชิปออปติคอลต้นแบบ บริษัทเทคโนโลยีขนาดใหญ่ก็ไม่ได้ล้าหลังเช่นกัน พวกเขากำลังสำรวจอย่างจริงจังว่าหลักการเหล่านี้สามารถทำให้ระบบ AI เชิงพาณิชย์เร็วขึ้นและเป็นมิตรต่อสิ่งแวดล้อมมากขึ้นได้อย่างไร

นักวิจัยของ Microsoft รายละเอียดเกี่ยวกับคอมพิวเตอร์ที่ใช้แสง⁴, ที่ ใช้เซ็นเซอร์กล้องและไมโคร LED, เพื่อสร้าง AI ร้อย มีประสิทธิภาพมากกว่าหลายเท่า คอมพิวเตอร์อนาล็อกเชิงแสง (AOC) ต้นแบบจากบริษัทยักษ์ใหญ่ด้านเทคโนโลยี คำนวณ ปัญหา มากมาย ครั้ง และในแต่ละครั้ง, มันจะดีขึ้นเรื่อยๆ จนกระทั่งถึง "สภาวะคงที่" ประสบความสำเร็จ.

“แง่มุมที่สำคัญที่สุดของ AOC คือ เราคาดการณ์ว่าประสิทธิภาพการใช้พลังงานจะดีขึ้นประมาณหนึ่งร้อยเท่า” Jannes Gladrow ผู้ร่วมเขียนงานวิจัยและนักวิจัยด้าน AI จาก Microsoft กล่าวในงานวิจัยชิ้นหนึ่ง บทความในบล็อกของบริษัท“แค่นั้นก็เป็นเรื่องที่ไม่เคยเกิดขึ้นมาก่อนในวงการฮาร์ดแวร์แล้ว”

ในขณะเดียวกัน ทีมงานได้สร้าง “ดิจิทัลทวิน” ซึ่งเป็นแบบจำลองที่เลียนแบบการคำนวณของเครื่อง AOC จริง และสามารถปรับขนาดเพื่อรองรับตัวแปรที่มากขึ้นและการคำนวณที่ซับซ้อนยิ่งขึ้นได้ แบบจำลองนี้ช่วยให้ทีมงาน “สามารถทำงานกับปัญหาที่ใหญ่กว่าที่เครื่องมือเองจะรับมือได้ในขณะนี้” ไมเคิล แฮนเซน ผู้อำนวยการอาวุโสฝ่ายประมวลผลสัญญาณชีวการแพทย์ของ Microsoft Health Futures กล่าว

คอมพิวเตอร์สามารถจัดการได้แล้ว บาง งาน กดไลก์ การสร้างภาพ MRI ขึ้นใหม่ การจับคู่ธุรกรรมทางการเงิน และการอนุมานด้วย AI อย่างง่าย

เพื่อทดสอบ AOC ทีมงานได้ให้ AOC ทำงานง่ายๆ ก่อน คือการจำแนกภาพ และ AOC ตัวจริงก็ทำงานได้ในระดับใกล้เคียงกับคอมพิวเตอร์ดิจิทัล จากนั้นจึงใช้แบบจำลองดิจิทัลเพื่อสร้างแบบจำลองขึ้นใหม่ ภาพของ การสแกนสมองโดยใช้ข้อมูลเพียง 62.5% ของข้อมูลเดิม และมันก็ได้ผล ที่ ถูกต้อง นักวิทยาศาสตร์เชื่อว่าความสำเร็จนี้จะนำไปสู่การลดระยะเวลาในการทำ MRI ได้

AOC ก็ถูกนำมาใช้เช่นกัน เพื่อแก้ไขปัญหาทางการเงิน ซึ่งมันมี มีอัตราความสำเร็จสูงกว่าคอมพิวเตอร์ควอนตัมในปัจจุบัน

ใน สัมภาษณ์กับ IBMFrancesca Parmigiani นักวิจัยหลักจาก Microsoft Research Cambridge กล่าวว่าระบบของพวกเขามี "ความสามารถแบบสองโดเมน" ซึ่งหมายความว่า มันสามารถทำงานได้สองอย่าง ชนิด ของงาน ด้วย ชิ้นส่วนฮาร์ดแวร์ชิ้นเดียวกัน แจกันดอกไม้โรแมนติกนี้ เสร็จแล้ว โดยอาศัยการค้นหาจุดตรึง ซึ่งเชื่อมโยงวิธีการแก้ปัญหาทั้งสองเข้าด้วยกัน

“สิ่งที่ทำให้ฉันตื่นเต้นที่สุดคือเราสามารถรันเวิร์กโหลดทั้งด้าน AI และการเพิ่มประสิทธิภาพบนฮาร์ดแวร์เดียวกันได้แล้ว” เธอกล่าว “แม้ว่าเราจะยังอยู่ในระดับเล็ก แต่ก็ถือเป็นก้าวแรกที่สำคัญ”

ตัว IBM เองนั้น ใช้ประโยชน์จาก ไม่ใช่โฟตอน ที่ต้องทำ ไม่ใช่การคำนวณ แต่เป็นการส่งข้อมูลให้เร็วขึ้น “เรากำลังใช้แสงในการส่งข้อมูลด้วยความหนาแน่นสูงมากสำหรับแอปพลิเคชัน AI” ฌอง เบอนัวต์ เอรูซ์ นักวิทยาศาสตร์วิจัยจาก IBM Research กล่าว พวกเขากำลังพัฒนาลิงก์โฟตอนิกส์ที่ถ่ายโอนข้อมูลระหว่างชิป หน่วยความจำ และแผงวงจร

การลงทุนในด้านการประมวลผลด้วยโฟโตนิกส์ 

เนื่องจากแรงผลักดันเบื้องหลังการประมวลผลด้วยโฟตอนิกส์กำลังเพิ่มขึ้น จับ ดึงดูดความสนใจจากผู้เล่นรายใหญ่ในวงการเทคโนโลยี ท่ามกลาง ความต้องการการประมวลผล AI ที่เร็วขึ้น NVIDIA บริษัทชั้นนำด้าน AI (NVDA ) นอกจากนี้ยังได้สำรวจวิธีการบูรณาการการเชื่อมต่อทางแสงและเครือข่ายใยแก้วนำแสงอีกด้วย ตามลำดับ เพื่อผลักดันขีดจำกัดของฮาร์ดแวร์ให้สูงขึ้นไปอีก

ในขณะที่นำหน้าการปฏิวัติ AI ที่ขับเคลื่อนด้วย GPU นั้น NVIDIA กำลังวิจัยการส่งข้อมูลด้วยแสงเพื่อเอาชนะข้อจำกัดด้านแบนด์วิดท์ที่เป็นอุปสรรคต่อสถาปัตยกรรมชิปแบบดั้งเดิม

เมื่อต้นปีนี้บริษัท เปิดตัว สวิตช์โฟตอนิกส์ที่มีออปติกส์แบบบรรจุร่วม (CPO) เพื่อ ให้ ความยืดหยุ่นของเครือข่ายสูงขึ้น 10 เท่า ประสิทธิภาพการใช้พลังงานดีขึ้น 3.5 เท่า และระยะเวลาในการติดตั้งใช้งานเร็วขึ้น 1.3 เท่า เปรียบเทียบกับ เครือข่ายแบบดั้งเดิม

ส่วนผลการดำเนินงานของหุ้นผู้ผลิตชิปในสัปดาห์นี้, บริษัทดังกล่าวกลายเป็นบริษัทแรกที่มีมูลค่าตลาดแตะ 5 ล้านล้านดอลลาร์สหรัฐ เนื่องจากราคาหุ้นพุ่งทะลุ 212 ดอลลาร์สหรัฐไปเป็น... ตี ทำสถิติสูงสุดตลอดกาลใหม่ (ATH) ปัจจุบันหุ้น NVIDIA ซื้อขายอยู่ที่ 207 ดอลลาร์ เพิ่มขึ้นมากกว่า 54% นับตั้งแต่ต้นปี

บริษัทมีกำไรต่อหุ้น (EPS) ในช่วง 12 เดือนที่ผ่านมา (TTM) อยู่ที่ 3.51 และอัตราส่วนราคาต่อกำไร (P/E) ในช่วง 12 เดือนที่ผ่านมา (TTM) อยู่ที่ 58.93 อัตราผลตอบแทนจากเงินปันผลอยู่ที่ 0.02% จะได้รับเงิน ถึงผู้ถือหุ้นของ Nvidia  

เมื่อมันมาถึง สถานะทางการเงินของ Nvidia บริษัท รายงาน a มีรายได้ 46.7 พันล้านดอลลาร์สหรัฐในไตรมาสที่สองของปีงบประมาณ 2026 แม้ว่ารายได้รวมจะเพิ่มขึ้น 6% จากไตรมาสก่อนหน้า แต่รายได้จากศูนย์ข้อมูลของ Nvidia เพิ่มขึ้น 5% เป็น 41.1 พันล้านดอลลาร์ โดยรายได้จาก Blackwell Data Center พุ่งสูงขึ้น 17% เมื่อเทียบกับไตรมาสก่อนหน้า

สรุป

เมื่อกระแสความคลั่งไคล้ AI แพร่กระจายออกไป ทั่วทุกมุมโลกทั้งนักวิจัยและบริษัทต่างกำลังทำงานอยู่ ในการเปลี่ยน การรวมอิเล็กตรอนกับโฟตอนเพื่อเปิดโลกใหม่แห่งความเร็ว ความสามารถในการขยายขนาด และประสิทธิภาพด้านพลังงาน ในการพยายามกำหนดนิยามใหม่ของโครงสร้างพื้นฐาน AI นั้น ความก้าวหน้าล่าสุดจากเครื่องมือวัดแสงของมหาวิทยาลัยชิงหัวแสดงให้เห็นว่าระบบที่ใช้แสงสามารถแข่งขันได้กับ... หรือแม้กระทั่ง เหนือกว่าอุปกรณ์อิเล็กทรอนิกส์ในบางงานเฉพาะด้าน

แต่การคำนวณด้วยแสงยังอยู่ในช่วงทดสอบ เมื่อการคำนวณด้วยแสงพัฒนาจนสมบูรณ์และคุ้มค่าแล้ว มันอาจเป็นจุดเริ่มต้นของยุคที่การคำนวณจะเคลื่อนที่ด้วยความเร็วแสง

คลิกที่นี่เพื่อเรียนรู้ว่าชิปที่ใช้พลังงานจากแสงช่วยเพิ่มประสิทธิภาพ AI ได้ถึง 100 เท่าได้อย่างไร

อ้างอิง

<sup>1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). เครื่องมือสกัดคุณลักษณะทางแสงความเร็วสูงและเวลาแฝงต่ำโดยใช้ตัวดำเนินการการเลี้ยวเบน ศูนย์กลางโฟโตนิกส์ขั้นสูง, 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, JE, Youngblood, N. และคณะ (2025). ระบบแม่เหล็กไฟฟ้าแบบไม่ผันกลับแบบบูรณาการที่มีความทนทานสูงเป็นพิเศษสำหรับการประมวลผลในหน่วยความจำแบบโฟตอนิก เนเจอร์โฟโตนิกส์ 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). โครงข่ายประสาทเทียมเชิงลึกแบบโฟโตนิกส์บนชิปเดี่ยวพร้อมการฝึกฝนแบบส่งต่ออย่างเดียว เนเจอร์โฟโตนิกส์ 18, 1335 1343- https://doi.org/10.1038/s41566-024-01567-z
4. Kalinin, KP, Gladrow, J., Chu, J., Clegg, JH, Cletheroe, D., Kelly, DJ, 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, NG, Gkantsidis, C., Parmigiani, F., & Ballani, H. (2025) คอมพิวเตอร์ออปติคัลแบบอะนาล็อกสำหรับการอนุมาน AI และการเพิ่มประสิทธิภาพเชิงผสม ธรรมชาติ 645(8080) 354-361 https://doi.org/10.1038/s41586-025-09430-z</sup>