Fully analog end-to-end online training with real-time adaptability in integrated photonics

تخيل حاسوبًا يتعلم بالطريقة التي يتعلم بها الدماغ الحي: ليس من خلال اتباع نص جامد ومكتوب مسبقًا، بل عبر تعديل اتصالاته الخاصة باستمرار كلما واجه معلومات جديدة. لعقود من الزمن، حاول العلماء بناء آلات تحاكي هذه المرونة البيولوجية، آملين في إنشاء ذكاء اصطناعي أكثر سرعة وكفاءة وقدرة على العمل في العالم الحقيقي الفوضوي والمتغير. تعاني الحواسيب التقليدية، التي تعتمد على مفاتيح رقمية تكون إما "تشغيل" أو "إيقاف"، من هذا النوع من التكيف المستمر؛ فهي غالبًا ما تتطلب خطوة منفصلة ومستهلكة للوقت للتعلم من الأخطاء قبل أن تتمكن من المحاولة مرة أخرى. وفي مجال الحوسبة الضوئية، المعروف باسم "الفوتونيات"، بنى الباحثون رقائق تستخدم حزم الضوء بدلاً من الكهرباء لمعالجة المعلومات بسرعات هائلة. ومع ذلك، ظل هناك عائق رئيسي: وهو جعل هذه الأنظمة الضوئية تتعلم أثناء العمل، في الوقت الفعلي، دون الحاجة إلى دماغ رقمي خارق وبطيء ليخبرها بكيفية التغيير.

لقد أثبت فريق من الباحثين الآن نموذجًا أوليًا يعمل بنجاح يسد هذه الفجوة. فقد صنعوا رقاقة سيليكون يمكنها التعلم والتكيف وتصحيح نفسها بالكامل ضمن النطاق التماثلي للضوء، دون الحاجة إلى التوقف لحساب الأخطاء على حاسوب منفصل. ويمثل هذا النظام، الذي وُصف في دراسة حديثة، خطوة مهمة نحو بناء آلات يمكنها العمل بشكل مستقل في بيئات ديناميكية، مثل سيارة ذاتية القيادة تتنقل وسط تغيرات مفاجئة في الطقس، أو شبكة استشعار تتكيف مع تغير درجات الحرارة. ومن خلال إثبات أن المعالج الفوتوني يمكنه تحديث إعداداته الداخلية أثناء عمله الفعلي، أظهر الباحثون مسارًا نحو ذكاء اصطناعي ليس سريعًا فحسب، بل مرنًا ومكتفيًا ذاتيًا أيضًا.

يكمن جوهر هذا الإنجاز في طريقة جديدة لتعليم الآلة. في معظم الأنظمة الحالية، يقوم الحاسوب بتنفيذ مهمة، ثم يتحقق من النتيجة، ويحسب الخطأ، ثم يحدّث إعداداته. هذه عملية من خطوتين تخلق تأخيرًا. أما النظام الجديد، فيتعلم أثناء العمل. فهو يستخدم طريقة تسمى "الاشتقاق المتعدد للمنحدر" (multiplexed gradient descent)، والتي قد تبدو معقدة ولكنها تعمل وفق مبدأ بسيط يعتمد على التجربة والخطأ. تقوم الرقاقة بإجراء تعديلات طفيفة وسريعة على إعداداتها الداخلية، المعروفة باسم "الأوزان"، وتقيس فورًا كيف تؤثر تلك التغييرات على النتيجة النهائية. إذا كان التعديل الطفيف يحسن النتيجة، فإن الرقاقة تستمر في ذلك الاتجاه؛ وإذا جعل الأمور أسوأ، فإنها تتراجع. والأهم من ذلك، أن الرقاقة تفعل ذلك عن طريق قياس مخرجات الضوء فعليًا لرؤية تأثير تغييراتها، بدلاً من الاعتماد على محاكاة رقمية لمعرفة ذلك. وهذا يسمح بعمليتي التعلم والقيام بالمهمة في الوقت ذاته تمامًا.

ولاختبار هذه الفكرة، صنع الباحثون معالجًا فوتونيًا متكاملًا أحاديًا. وهي رقاقة واحدة مصنوعة من السيليكون، تم تصنيعها باستخدام تقنيات صناعية قياسية، وتحتوي على حلقات صغيرة تحجز الضوء وتوجهه. تعمل هذه الحلقات كأوزان قابلة للتعديل للشبكة العصبية. قام الفريق بتغذية البيانات في الرقاقة باستخدام ألوان مختلفة من الضوء، حيث يحمل كل لون قطعة من المعلومات. وبينما ينتقل الضوء عبر الحلقات، يقوم النظام بتعديل خصائص الحلقات لأداء عملية حسابية. ولتدريب النظام، طبقوا اهتزازات عشوائية طفيفة على الحلقات وراقبوا كيف يتغير مخرج الضوء. ومن خلال مراقبة هذه التغييرات، تمكنت الرقاقة من تحديد كيفية تعديل إعداداتها للحصول على إجابة أفضل. حدثت هذه العملية بالكامل في العالم التماثلي للضوء والحرارة، متجاوزة الحاجة إلى الحسابات الرقمية المعقدة التي عادة ما تبطئ العمل.

كانت النتائج مذهلة. فقد نجح النظام في تعلم تصنيف البيانات، والتمييز بين الأنماط المختلفة بدقة عالية. والأهم من ذلك، أنه أظهر القدرة على التكيف مع التغييرات في بيئته دون تدخل بشري. في إحدى التجارب، قام الباحثون بتغيير قواعد اللعبة أثناء عمل الرقاقة؛ حيث طلبوا من النظام تصنيف البيانات بناءً على خط يدور عبر زوايا مختلفة. وكل بضع دقائق، كانت الزاوية تتغير. وبدلاً من الفشل أو الحاجة إلى إعادة البرمجة، اكتشفت الرقاقة التغيير بسرعة، وعدلت أوزانها الداخلية، واستأنفت فرز البيانات بشكل صحيح في غضون ثوانٍ معدودة فقط. لقد استعادت مستواها العالي من الدقة فور حدًا بعد كل تحول، مما أثبت قدرتها على تتبع الأهداف المتحركة في الوقت الفعلي.

كما اختبر الباحثون أيضًا قدرة النظام على الصمود أمام الاضطرابات الفيزيائية، وهي مشكلة شائعة للأجهزة البصرية الدقيقة. فالرقائق الفوتونية غالبًا ما تكون حساسة للحرارة؛ إذ يمكن حتى للارتفاع الطفيف في الحرارة أن يشوه مسارات الضوء ويفسد الحسابات. وفي اختبار محكوم، قام الفريق بتغيير درجة حرارة الرقاقة بعدة درجات، محاكيًا التقلبات التي قد تواجهها الأجهزة في العالم الحقيقي. ومع ارتفاع درجة الحرارة، انخفض أداء الرقاقة في البداية. ومع ذلك، ولأن النظام كان يتعلم باستمرار، فقد استشعر انخفاض الجودة وقام تلقائيًا بتعديل إعداداته للتعويض عن الحرارة. لقد استعادت الرقاقة دقتها إلى المستويات السابقة، مما يعني أنها "عالجهت نفسها" من الإجهاد البيئي. حدث هذا التصحيح الذاتي بشكل مستمر، مما سمح للجهاز بالحفاظ على تشغيل مستقر حتى مع تغير الظروف من حوله.

ولفهم كيفية توسيع نطاق هذه التكنولوجيا لمهام أكثر تعقيدًا، أنشأ الباحثون "توأمًا رقميًا" لنظامهم. كان هذا نموذجًا افتراضيًا يحاكي شبكة أكبر بكما تحتوي على طبقات أكثر من الاتصالات. استخدموا هذا النموذج لاختبار مهمة تصنيف صعبة تتضمن شكلًا يشبه رمز "الين واليانغ"، وهي مشكلة تتطلب من النظام فهم حدود معقدة وغير خطية. أظهرت المحاكاة أنه حتى مع العيوب والضجيج المتأصل في الأجهزة الحقيقية، يمكن للنظام تحقيق دقة عالية. وأكد النموذج الافتراضي أن الطريقة المستخدمة في الرقاقة الفيزيائية الصغيرة يمكن أن تعمل في شبكات أكبر وأكثر تطورًا، مما يشير إلى أن هذا النهج ليس مقتصرًا على التجارب البسيطة.

تعد سرعة وكفاءة هذا النهج الجديد ملحوطة. فالرقاقة الفيزيائية سريعة للغاية، حيث ينتقل الضوء عبرها في بضع بيكوثوانٍ فقط (جزء من تريليون من الثانية). وبينما تستخدم النسخة الحالية من الرقاقة الحرارة لتعديل الأوزان، وهو ما يستغرق جزءًا من الثانية للاستقرار، أشار الباحثون إلى أن النسخ المستقبلية يمكن أن تستخدم إشارات كهربائية لجعل هذه التعديلات أسرع بكثير، مما قد يسرع عملية التعلم بمقدار ألف ضعف. كما أن استهلاك الطاقة منخفض بشكل ملحوظ، حيث يستهلك النظام بأكمله، بما في ذلك الإلكترونيات اللازمة لقراءة النتائج، طاقة أقل من مصباح كهربائي صغير. هذا المزيج من السرعة وانخفاض استهلاك الطاقة يشير إلى أن مثل هذه الرقائق يمكن أن تشغل يومًا ما أجهزة تحتاج إلى اتخاذ قرارات في أجزاء من الثانية دون استنزاف البطارية.

لا يدعي هذا العمل أنه حل كل مشكلات الذكاء الاصطناعي، لكنه يعالج عقبة محددة وحرجة: وهي عدم قدرة الأجهزة على التعلم المستمر والتكيف في الوقت الفعلي. ومن خلال نقل عملية التعلم مباشرة إلى الأجهزة وإبقائها في النطاق التماثلي، أزال الباحثون التأخيرات وتكاليف الطاقة المرتبطة بالمعالجة الرقمية. النظام قوي في مواجهة الضجيج والعيوب التي تعاني منها عادةً مثل هذه الأجهزة الدقيقة، ويمكنه التعامل مع عدم القدرة على التنبؤ في العالم الحقيقي. توفر الدراسة برهانًا ملموسًا على أنه يمكن بناء آلات تتعلم أثناء العمل، وتعدل منطقها الداخلي لتتوافق مع البيئة المتغيرة. وتفتح هذه القدرة الباب أمام جيل جديد من الأنظمة الذكية التي ليست سريعة فحسب، بل مرنة ومكتفية ذاتيًا، وقادرة على العمل في الظروف الديناميكية التي غالبًا ما تعاني فيها الحواسيب التقليدية.