⚡ electrical engineering

Partially coherent high-order optical neural networks via pseudo-nonlinear encoding

تقدم هذه الورقة وتتحقق تجريبياً من إطار عمل لشبكة عصبية بصرية عالية الرتبة تحت إضاءة جزئية التماسك تتغلب على قيود اللاخطية في الأنظمة الحيودية التقليدية، محققةً أداءً يضاهي الشبكات العصبية الكهربائية بتعقيد حسابي أقل بكثير ومتانة فائقة.

المؤلفون الأصليون: Weiqiang Ding, Bojie DONG, Xiaoxin Li, Zixuan Wang, Qi Jia, Bojian Shi, Shiyong Ren, Hanyi Zhang, Zhengjun Wang, Rui Feng, Fangkui Sun, Yongyin Cao, Liangcai Cao

نُشر 2026-08-03

📖 3 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Weiqiang Ding, Bojie DONG, Xiaoxin Li, Zixuan Wang, Qi Jia, Bojian Shi, Shiyong Ren, Hanyi Zhang, Zhengjun Wang, Rui Feng, Fangkui Sun, Yongyin Cao, Liangcai Cao

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل عالماً لا تكتفي فيه الحواسيب بمعالجة الأرقام باستخدام الكهرباء، بل ترقص مع الضوء. هذا هو مجال الشبكات العصبية الضوئية (ONNs)، وهو فرع مستقبلي من العلوم حيث تحمل حزم الضوء، بدلاً من الإلكترونات، المعلومات لحل مشكلات معقدة مثل التعرف على الوجوه أو تشخيص الأمراض. والنسخة الأكثر واعداً من هذه التكنولوجيا هي الشبكة العصبية الضوئية التدرجية (DONN). فكر في الـ DONN كأنها مشكال (كاليدوسكوب) عملاق وغير مرئي: تسلط صورة داخلها، فيرتد الضوء عن سلسلة من المرايا والمرشحات الخاصة، لينحني ويتداخل مع نفسه لإنتاج نمط جديد يمثل الإجابة.

ومع ذلك، هناك عقبة. فقد صُممت معظم هذه الحواسيب المعتمدة على الضوء لتعمل فقط تحت ضوء "متماسك تماماً"—مثل شعاع الليزر حيث يسير كل فوتون في خطى منتظمة ومثالية، مثل جنود في عرض عسكري. أما في العالم الحقيقي، فالضوء نادراً ما يكون بهذا الكمال؛ فالضوء المنبعث من الشمس، أو المصابيح، أو حتى شاشة الكمبيوتر هو ضوء "متماسك جزئياً"، مما يعني أن الفوتونات تكون أكثر فوضوية، مثل حشد من الناس يسيرون في سوق مزدحم بدلاً من عرض عسكري منظم. لسنوات، كافح العلماء لجعل هذه الحواسيب الضوئية تعمل بشكل جيد مع هذا الضوء الفوضوي في العالم الحقيقي. كما واجهوا عقبة ثانية: الضوء بطبيعته يميل للقيام بالرياضيات في خط مستقيم (خطي)، لكن الحواسيب الذكية تحتاج إلى رياضيات منحنية ومعقدة (غير خطية) للتعلم. وعادةً، يتطلب جعل الضوء يقوم بهذا "الرياضيات المنحنية" ليزرات قوية وخطيرة أو مواد خاصة يصعب بناؤها.

هنا يأتي دور البحث الجديد. فقد اقترح فريق من العلماء حلاً ذكياً يسمى الشبكة العصبية الضوئية عالية الرتبة ذات التماسك الجزئي (HONN). فبدلاً من محاربة الطبيعة الفوضوية للضوء الحقيقي أو استخدام ليزرات خطيرة، وجدوا طريقة لاستخدام فوضى الضوء نفسها، مدمجة مع خدعة ترميز ذكية، لجعل الحاسوب "يفكر" بشكل غير خطي. أطلقوا على هذا اسم "الترميز شبه غير الخطي". الأمر يشبه تعليم حشد فوضوي كيف يرقص بنمط معين ومعقد بمجرد كيفية دخولهم إلى الغرفة، بدلاً من إجبارهم على السير في خط مستقيم.

قام الفريق ببناء نموذج مادي لهذه الفكرة باستخدام إعداد ضوء مرئي مع معدلات ضوء مكانية (وهي في الأساس مرايا عالية التقنية وقابلة للبرمجة) واختبروه على مجموعات بيانات صور شهيرة مثل Digit MNIST (الأرقام المكتوبة بخط اليد) و Fashion MNIST (قطع الملابس). كما جربوا النظام على بيانات تعبيرات الوجه الحقيقية والصور الطبية. كانت النتائج واعدة: استطاع نظامهم الجديد التعرف على الصور بنجاح باستخدام ضوء متماسك جزئياً، وكلما جعلوا النظام أكثر "لا خطية" (عن طريق ضبط طبقات المرايا)، زادت كفاءته. في الواقع، في بعض الاختبارات، أدى حاسوبهم الضلي أداءً يضاهي الحواسيب الكهربائية التقليدية، لكنه استخدم أقل من 10% من قدرة المعالجة.

والأهم من ذلك، وجد الباحثون أن هذا النظام قوي بشكل مثير للإعجاب. فحتى لو لم تتطابق ظروف الضوء في العالم الحقيقي تماماً مع الظروف التي تم تدريب الحاسوب عليها، فإنه لا يزال يعمل بشكل جيد. تشير الدراسة إلى أنه من خلال التعامل مع "فوضى" الضوء ليس كخلل، بل كميزة، يمكننا بناء حواسيب ضوئية جاهزة للعالم الحقيقي. وبينما أُجريت التجارب الحالية في مختبر باستخدام ظروف ضوئية محاكية لإثبات المفهوم، فإن النتائج تشير إلى مسار عملي نحو استخدام الضوء لتشغيل الجيل القادم من الرؤية الآلية والتصوير، مما قد يجعل الكاميرات والمستشعرات الذكية أسرع وأكثر كفاءة في استهلاك الطاقة من أي وقت مضى.

ملخص تقني: الشبكات العصبية الضوئية عالية الرتبة جزئية التماسك عبر الترميز شبه غير الخطي

بيان المشكلة

تقدم الشبكات العصبية الضوئية الحيودية (DONNs) مساراً للحوسبة عالية السرعة وذات الكفاءة في استهلاك الطاقة، لكنها تواجه قيداً جوهرياً: غياب إطار عمل عام للتنشيط غير الخطي. تعمل معظم الشبكات العصبية الضوئية الحالية تحت إضاءة متماسكة مثالية وتنفذ عمليات خطية في المقام الأول، مما يحد من قدرتها التمثيلية ومدى قابليتها للتطبيق في البيئات الواقعية حيث تمتلك المصادر الضوئية تماسكاً جزئياً. وبينما توجد تأثيرات فيزيائية غير خطية (مثل الامتصاص المشبع، أو توليد التوافق الثاني)، إلا أنها غالباً ما تتطلب شدة ضوئية عالية ومواد متخصصة. وفي المقابل، فإن "اللاخطية الزائفة" (استراتيجيات الترميز في الأنظمة الخطية) تتجنب متطلبات الشدة العالية، ولكن لم يتم دمجها بشكل كافٍ مع فيزياء الضوء جزئي التماسك. ويتمثل التحدي المركزي المعالج في كيفية إدخال لاخطية فعالة وقابلة للتحكم في الشبكات العصبية الضوئية جزئية التماسك بطريقة متسقة فيزيائياً.

المنهجية

يقترح المؤلفون إطار عمل للشبكة العصبية الضوئية عالية الرتبة (HONN) يعمل تحت إضاءة جزئية التماسك. يوحد هذا الإطار مصدرين للاخطية:

لاخطية الكشف المعتمدة على التماسك: والناشئة عن استجابة الشدة للكشف الضوئي تحت ضوء جزئي التماسك.
اللاخطية الزائفة على مستوى النظام: والتي تتحقق من خلال استراتيجيات ترميز محسنة داخل النظام الضوئي.

الإطار النظري

يوسع النموذج البنى التقليدية ذات الأوزان الخطية من خلال إدخال تفاعلات عالية الرتبة بين المتغيرات المدخلة. يتم وصف المخرج $y$ عبر توسيع حدودي عالي الرتبة حيث تنشأ الحدود غير الخطية من التفاعل بين سعة المدخل، وتعديل الطور، ومصفوفة التماسك ( $\Gamma$ ).

اللاخطية الزائفة: يتم تنفيذها عن طريق ترميز البيانات المدخلة في طبقات حيودية باستخدام معاملات تعديل الطور ( $\Phi_i = a_i X + B_i$ ). ومن خلال ضبط معاملات محددة ( $a_i$ ) لتكون صفراً، يمكن ضبط النظام للعمل عند رتب غير خطية مختلفة (من الأولى إلى الرابعة).
محاكاة التماسك الجزئي: يستخدم النظام نموذج غاوس-شيل (Gaussian-Schell model). ولمحاكاة الانتشار جزئي التماسك بكفاءة، استخدم المؤلفون تراكباً لمجالات ضوئية متماسكة مع أطياف عشوائية ( $M=20$ تراكبات)، محددة بطول تماسك ( $l_c$ ).
المنصة التجريبية: تم تنفيذ شبكة DONN مكونة من أربع طبقات باستخدام إعداد معدل ضوء مكاني (SLM) في الطيف المرئي (طول موجي 660 نانومتر). يستخدم النظام اثنين من الـ SLM: أحدهما لترميز السعة/الطور للمدخلات، والآخر لتحميل الطور المعدل لتحقيق رتب غير خطية محددة.

التدريب والتحقق

تم تدريب النموذج باستخدام نظرية حيود رايلي-سومرفيلد وطريقة الطيف الزاوي، مع التحسين عبر مُحسن Adam مع دالة فقدان الإنتروبيا المتقاطعة (cross-entropy loss). تم إجراء التحقق باستخدام:

مجموعات بيانات Digit MNIST و Fashion MNIST: لتحليل اتجاهات الأداء عبر متغيرات طول التماسك ( $l_c$ ) والرتب غير الخطية.
مجموعة بيانات RAF (الوجوه العاطفية الواقعية) و MedMNIST: لإثبات القابلية للتطبيق العملي على مجموعات بيانات معقدة وواقعية.
اختبار المتانة: تقييم الأداء عندما تختلف أطوال التماسك للاختبار ( $l_{c-test}$ ) عن أطوال التماسك للتدريب ( $l_{c-train}$ ).

المساهمات الرئيسية

إطار عمل موحد لـ HONN: تؤسس الورقة إطار عمل عام للاستدلال الضوئي عالي الرتبة الذي يدمج اللاخطية الزائفة والتماسك الجزئي. وتفترض أن اللاخطية الفيزيائية واللاخطية الزائفة هما تنفيذان بديلان لصيغة رياضية موحدة.
الإثبات التجريبي: تحقق المؤلفون تجريبياً من نموذج HONN في الطيف المرئي، موضحين أن دقة التصنيف تتحسن مع زيادة طول التماسك والرتبة غير الخطية.
متانة التماسك: تكشف الدراسة أن التعديل عالي الرتبة يعزز الاستجابات غير الخطية الفعالة، مما يعوض تدهور الأداء الناتج عن انخفاض التماسك. وهذا يشير إلى وجود مقايضة بين ذروة الدقة والمتانة ضد عدم تطابق التماسك.
الكفاءة: تحقق HONH المقترحة أداءً مقارباً للشبكات العصبية الكهربية التقليدية بينما تستخدم أقل من 10% من تعقيدها الحسابي.

النتائج

اتجاهات الأداء: في مجموعة Digit MNIST، ارتفعت الدقة المحاكات من 79.25% إلى 94.83% (الرتبة الأولى) ومن 83.23% إلى 95.55% (الرتبة الثالثة) مع انتقال طول التماسك من $8\Delta x$ إلى التماسك الكامل. واتبعت النتائج التجريبية اتجاهات مماثلة، حيث وصلت إلى دقة 90.25%.
مجموعات البيانات الواقعية: في مجموعة بيانات RAF، حققت HONN جزئية التماسك دقة 72.68%، وفي MedMNIST حققت 97.17%. وعند دمجها مع طبقة قراءة كهروضوئية (هجين كهروضوئي)، تحسنت الدقة إلى 75.86% و98.39% على التوالي.
سلوك القياس: لوحظ وجود ارتباط قوي بين قدرة النموذج والتماسك. ففي حالات التماسك المنخفض، عانت النماذج ذات المعلمات الزائدة من الإفراط في التخصيص وصعوبات في التحسين، بينما سهّل التماسك العالي تدريب الشبكات ذات السعة العالية.
المتانة: حافظت النماذج المدربة عند مستويات تماسك منخفضة ( $l_{c-train} = 8\Delta x$ ) على أداء مستقر عبر نطاق أوسع من ظروف تماسك الاختبار مقارنة بالنماذج المدربة عند تماسك عالٍ، والتي تدهورت بسرعة مع انخفاض $l_{c-test}$ .

الأهمية والادعاءات

يدعي المؤلفون أن هذا العمل يسد فجوة بحثية من خلال توفير إطار عمل موحد للحوسبة العصبية الضوئية عالية الرتبة تحت إضاءة جزئية التماسك. ويؤكدون أن التماسك الجزئي ليس مجرد عامل مقيد، بل هو "درجة حرية ذات معنى فيزيائي" تشكل سلوك الاستدلال.

تكمن أهمية العمل في:

النشر العملي: توفير مسار للحوسبة الضوئية في الرؤية الآلية، والتصوير الحسابي، والاستشعار تحت ظروف الضوء الطبيعي (التي هي بطبيعتها جزئية التماسك).
التعميم: وضع إطار عمل يتجاوز النماذج الحيودية التقليدية، مما قد يكون قابلاً للتطبيق في الأنظمة القائمة على الأسطح الميتا (metasurface) والأجهزة ذات عتبة اللاخطية المنخفضة.
الكفاءة: إثبات أن الاستدلال الضوئي يمكن أن ينافس الشبكات الكهربية في الدقة مع تقليل التعقيد الحسابي بشكل جذري.

تخلص الورقة إلى ضرب ضرورة التصميم المشترك للتماسك، والرتبة غير الخطية، وسعة النموذج في الأنظمة الضوئية جزئية التماسك لتحسين الأداء والمتانة.