🔬 optics

Nonlinear unitary circuits for photonic neural networks

यह शोधपत्र गैररेखीय यूनिटरी फोटोनिक सर्किट का प्रस्ताव और प्रदर्शन करता है जो लीनियर और नॉनलीनियर ऑपरेशन्स को एक एकल ऊर्जा-कुशल ढांचे में एकीकृत करते हैं, जिससे फोटोनिक न्यूरल नेटवर्क के लिए उच्च-आयामी अभिव्यंजकता (high-dimensional expressivity) और स्थिर प्रशिक्षण सक्षम होता है।

मूल लेखक: Sunkyu Yu, Xianji Piao, Namkyoo Park

प्रकाशित 2026-06-01

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Sunkyu Yu, Xianji Piao, Namkyoo Park

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आप बिजली के बजाय प्रकाश का उपयोग करके एक सुपर-फास्ट, ऊर्जा-कुशल कंप्यूटर मस्तिष्क बनाने की कोशिश कर रहे हैं। यह फोटोनिक न्यूरल नेटवर्क (photonic neural networks) का लक्ष्य है। हालाँकि, एक बड़ी समस्या है: प्रकाश गणित करने (जैसे गुणा और जोड़) में बहुत अच्छा है, लेकिन वह उस "सोचने" वाले हिस्से में बहुत खराब है जो न्यूरल नेटवर्क को स्मार्ट बनाता है। वह "सोचने" वाला हिस्सा नॉनलिनियैरिटी (nonlinearity) की मांग करता है—यानी संकेत कितना मजबूत है, इसके आधार पर व्यवहार बदलने की क्षमता।

आमतौर पर, प्रकाश को "सोचने" के काबिल बनाने के लिए, वैज्ञानिकों को इसे बिजली में बदलना पड़ता है, फिर उसे प्रोसेस करना पड़ता है, और फिर वापस प्रकाश में बदलना पड़ता है। यह धीमा है और ऊर्जा बर्बाद करता है। अन्य तरीके विशेष सामग्रियों का उपयोग करने की कोशिश करते हैं जो प्रकाश को बदलते हैं, लेकिन इनमें से कई के लिए भारी इलेक्ट्रॉनिक प्रोसेसिंग की आवश्यकता होती है या इससे प्रकाश का संकेत फीका पड़ जाता है (लॉस/loss), जिससे कंप्यूटर मस्तिष्क को प्रशिक्षित करना बहुत कठिन हो जाता है।

बड़ा विचार: एक "आकार बदलने वाला" प्रकाश दर्पण

इस शोध के लेखक एक नया तरीका प्रस्तावित करते हैं जिससे प्रकाश अपनी ऊर्जा खोए बिना "सोच" सके। वे इन सर्किटों को नॉनलिनियर यूनिटरी (Nonlinear Unitary - NU) सर्किट कहते हैं।

एक मानक दर्पण के बारे में सोचें। यदि आप उस पर टॉर्च की रोशनी डालते हैं, तो प्रकाश उससे टकराकर वापस आता है। दर्पण इस बात की परवाह नहीं करता कि टॉर्च कितनी चमकदार है; वह बस उसे पूरी तरह से परावर्तित करता है। दिशा बदल सकती है, लेकिन प्रकाश की मात्रा समान रहती है। यह "लीनियर" (linear) है।

लेखकों ने एक विशेष "स्मार्ट दर्पण" (एक फोटोनिक सर्किट) बनाया है जो अलग तरह से काम करता है।

सेटअप: एक छोटा घेरा (रेज़ोनेटर) की कल्पना करें जिसके चारों ओर प्रकाश यात्रा कर सकता है।
ट्रिक: जब चमकीला प्रकाश इस घेरे से गुजरता है, तो यह घेरे के आकार को थोड़ा बदल देता है (केर प्रभाव/Kerr effect नामक गुण के कारण)। यह परिवर्तन प्रकाश के व्यवहार को बदल देता है।
परिणाम: प्रकाश अभी भी समान कुल ऊर्जा (यह "नॉर्म-प्रिजर्विंग" है) के साथ वापस आता है, लेकिन इसका फेज (phase) (यानी इसकी टाइमिंग या तरंग के अर्थ में रंग) इस बात पर निर्भर करता है कि प्रकाश कितना चमकीला था।

यह एक डांस फ्लोर की तरह है जहाँ फर्श खुद अपने टेक्सचर को इस आधार पर बदल लेता है कि आप कितनी ज़ोर से नाच रहे हैं। यदि आप धीरे से नाचते हैं, तो फर्श चिकना होता है। यदि आप ज़ोर से नाचते हैं, तो फर्श ऊबड़-खाबड़ हो जाता है, जिससे आपके कदम बदल जाते हैं। लेकिन आप कभी फर्श से गिरते नहीं हैं; आप बस अलग तरह से चलते हैं।

मस्तिष्क बनाना: लेगो ब्लॉक्स (LEGO Blocks)

एक वास्तविक कंप्यूटर मस्तिष्क बनाने के लिए, आपको इन "स्मार्ट दर्पणों" को जोड़ना होगा।

मूल इकाई (NU(1)): यह एक एकल रिंग है जो तीव्रता के आधार पर प्रकाश के फेज को बदल देती है।
गेट (NU(2)): लेखकों ने दो ऐसे रिंगों को एक स्प्लिटर (जैसे Y-जंक्शन) के साथ जोड़कर एक "गेट" बनाया। यह गेट प्रकाश की अवस्था (state) को जटिल तरीके से घुमा सकता है।
सर्किट: इन गेटों को एक के बाद एक स्टैक करके, उन्होंने एक गहरा (deep) सर्किट बनाया।

यह गेम-चेंजर क्यों है

शोधकर्ताओं ने यह परीक्षण करने के लिए इन सर्किटों का उपयोग किया कि वे कितने "एक्सप्रेसिव" (यानी कितने स्मार्ट) हैं। उन्होंने दो चीजें मापीं:

जटिलता (यात्रा की लंबाई):
कल्पische एक यात्री की कल्पना करें जो एक भूलभुलैया में चल रहा है। एक सामान्य लीनियर भूलभुलैया में, रास्ता अनुमानित होता है। इस नए "नॉनलिनियर" भूलभुलैया में, यात्री द्वारा लिया गया हर कदम मानचित्र को थोड़ा बदल देता है। शोध में पाया गया कि जैसे-जैसे उन्होंने अधिक गेट जोड़े (सर्किट को गहरा बनाया), प्रकाश द्वारा लिया गया रास्ता घातीय रूप से (exponentially) अधिक जटिल होता गया। यह ऐसा है जैसे प्रकाश एक सीधी राह पर चलने के बजाय संभावनाओं के एक विशाल, घुमावदार ब्रह्मांड की खोज कर रहा है।
कवरेज (कमरे की खोज):
एक स्मार्ट मस्तिष्क को किसी भी संभावित उत्तर तक पहुँचने में सक्षम होना चाहिए। लेखकों ने पाया कि भले ही प्रकाश अपने पथ को जंगली तरीके से बदल रहा है, फिर भी वह संभावित आउटपुट स्पेस के लगभग हर कोने तक पहुँचने में सफल रहता है। वह किसी कोने में फंसता नहीं है; वह पूरे कमरे को कवर करता है।

मस्तिष्क का परीक्षण

यह साबित करने के लिए कि यह काम करता है, उन्होंने एक गणितीय समस्या को हल करने के लिए इस सर्किट का उपयोग किया: एक लहरदार, ऊबड़-खाबड़ वक्र (nonconvex function) की भविष्यवाणी करना।

उथले सर्किट (Shallow circuits) (कम गेट) वक्र का सही अनुमान लगाने में संघर्ष करते हैं।
गहरे सर्किट (Deep circuits) (अधिक गेट) पैटर्न को अविश्वसनीय रूप से अच्छी तरह से सीख लेते हैं।

उन्होंने सर्किट को "सिखाने" के लिए "न्यूरोइवोल्यूशनरी लर्निंग" (मूल रूप से प्राकृतिक चयन का एक डिजिटल संस्करण) का उपयोग किया। सर्किट जितना गहरा हुआ, वह काम में उतना ही बेहतर होता गया।

निष्कर्ष

यह शोध पत्र प्रकाश पर आधारित कंप्यूटर घटक का एक नया प्रकार पेश करता है जो ऊर्जा बर्बाद किए बिना या सिग्नल की ताकत खोए बिना AI के "सोचने" वाले हिस्से को कर सकता है। इन घटकों को जोड़कर, उन्होंने एक ऐसा सिस्टम बनाया है जो अत्यधिक जटिल (कठिन समस्याओं को हल कर सकता है) और कुशल (सभी प्रकाश ऊर्जा को सुरक्षित रखता है) दोनों है। यह पूरी तरह से प्रकाश पर चलने वाले सुपर-फास्ट, लो-पावर AI हार्डवेयर बनाने की दिशा में एक आशाजनक कदम है।

तकनीकी सारांश: फोटोनिक न्यूरल नेटवर्क के लिए नॉनलीन यूनिटरी सर्किट

समस्या विवरण
यद्यपि फोटोनिक हार्डवेयर ऊर्जा-कुशल और अति-तीव्र डीप लर्निंग त्वरण के लिए महत्वपूर्ण क्षमता प्रदान करता है, एक महत्वपूर्ण बाधा 'नॉनलीन एक्सप्रेसिविटी' (nonlinear expressivity) प्राप्त करने में बनी हुई है। मौजूदा फोटोनिक दृष्टिकोण आमतौर पर लीनियर-ऑप्टिकल मैट्रिक्स गणनाओं को नॉनलीन एक्टिवेशन से अलग करते हैं, जो इलेक्ट्रॉनिक सिग्नल प्रोसेसिंग के लिए इलेक्ट्रो-ऑप्टिक रूपांतरण, सिग्नल-एनकोडेड सामग्रियों, या प्रकाश-पदार्थ अंतःक्रियाओं पर निर्भर करते हैं। इसके अतिरिक्त, वे विधियाँ जो तीव्रता (intensity) को बदलने के लिए प्रकाश का उपयोग करती हैं (जैसे सैचुरेबल एब्जॉर्प्शन), हार्डवेयर लागत जैसे कि सिग्नल लॉस और ट्रेनिंग के दौरान वैनिशिंग ग्रेडिएंट्स (vanishing gradients) को जन्म देती हैं। लेखक एक ऐसी फोटोनिक आर्किटेक्चर की आवश्यकता की पहचान करते हैं जो सॉफ्टवेयर-कार्यान्वित डीप न्यूरल नेटवर्क्स (DNNs) के बेंचमार्क को पूरा करने के लिए, अपने दोषों से बचने हेतु एक नॉर्म-प्रिजर्विंग (norm-preserving) ढांचे के भीतर लीनियर और नॉनलीन एक्सप्रेसिविटी को एकीकृत करती है।

कार्यप्रणाली
यह शोध पत्र नॉनलीन यूनिटरी (NU) सर्किट की एक अवधारणा प्रस्तावित करता है जो नॉन-कंजर्वेटिव इनर प्रोडक्ट्स के साथ नॉर्म-प्रिजर्विंग मैपिंग प्राप्त करने के लिए सेल्फ-फेज मॉड्यूलेशन (SPM) के माध्यम से ऑप्टिकल केर प्रभाव (Kerr effect) का उपयोग करता है। कार्यप्रणाली इस प्रकार संरचित है:

NU(1) यूनिट डिज़ाइन: मौलिक निर्माण खंड एक इंटीग्रेटेड फोटोनिक रेज़ोनेटर है जो वेवगाइड से साइड-कपल्ड है। यह यूनिट एक $U(1)$ ग्रुप ऑपरेशन (फेज-शिफ्टेड परफेक्ट ट्रांसमिशन) प्राप्त करती है। नॉनलिनैरिटी को दो तंत्रों के माध्यम से रेजोनेंस फ्रीक्वेंसी ( $\omega_0$ ) को विक्षोभ (perturbing) देकर पेश किया जाता है:
- लीनियर शिफ्ट ( $\Delta\omega_L$ ): प्रोग्रामेबिलिटी के लिए इलेक्ट्रो-ऑप्टिक या थर्मो-ऑप्टिक फेज शिफ्टर्स के माध्यम से ट्यून करने योग्य।
- नॉनलीनियर शिफ्ट ( $\Delta\omega_{NL}$ ): SPM से व्युत्पन्न, जहाँ रेजोनेंस तीव्रता ( $\Delta\omega_{NL} = -\alpha|\mu|^2$ ) के समानुपाती रूप से शिफ्ट होता है।
  परिणामी फेज शिफ्ट $\xi$ , इनपुट तीव्रता $|\psi_+|^2$ और लीनियर शिफ्ट $\Delta\omega_L$ का एक नॉनलीन फंक्शन बन जाता है, जो विशिष्ट स्टेडी-स्टेट स्थितियों के तहत हिस्टेरेसिस (hysteresis) के बिना कार्य करता है।
NU(2) गेट निर्माण: एक कार्यात्मक गेट बनाने के लिए, लेखक एक माक-ज़ेंडर इंटरफेरोमीटर (MZI) का निर्माण करते हैं जिसमें प्रत्येक आर्म में एक NU(1) यूनिट होती है। यह कॉन्फ़िगरेशन एक नॉर्म-प्रिजर्विंग ऑपरेशन $U = R_z(\Delta\xi)R_x(-\pi/2)$ निष्पादित करता है, जहाँ रोटेशन एंगल $\Delta\xi$ इनपुट स्टेट पर निर्भर करता है। यह गेट को नॉनलीन यूनिटरी ऑपरेशंस को निष्पादित करने की अनुमति देता है जहाँ विभिन्न इनपुट स्टेट्स के बीच इनर प्रोडक्ट्स संरक्षित नहीं होते हैं, जो डीप लर्निंग एक्सप्रेसिविटी के लिए एक प्रमुख विशेषता है।
सर्किट असेंबली और ट्रेनिंग: डीप NU सर्किट को (Reck या Clements डिजाइनों का पालन करते हुए) NU(2) गेट्स को कैस्केड करके बनाया जाता है। लेखक नॉन-कॉन्वेक्स ऑप्टिमाइज़ेशन समस्याओं में लोकल मिनिमा को संबोधित करने के लिए सिम्युलेटेड एनीलिंग के साथ न्यूरोइवोल्यूशनरी लर्निंग का उपयोग करके इन सर्किट्स का मूल्यांकन करते हैं। ट्रेनिंग पैरामीटर्स में निरंतर लीनियर शिफ्ट और बाइनरी वेरिएबल्स शामिल हैं।

प्रमुख योगदान

वैचारिक ढांचा: एक कॉम्पैक्ट, नॉर्म-प्रिजर्विंग फोटोनिक आर्किटेक्चर के भीतर लीनियर और नॉनलीन एक्सप्रेसिविटी को एकीकृत करने वाले "नॉनलीन यूनिटरी" सर्किट का परिचय।
हार्डवेयर डिज़ाइन: एक विशिष्ट इंटीग्रेटेड फोटोनिक बिल्डिंग ब्लॉक (NU(1) यूनिट) और एक गेट (NU(2)) का प्रस्ताव जो लॉस-इंड्यूसिंग इंटेंसिटी मॉड्यूलेशन या इलेक्ट्रॉनिक फीडबैक लूप की आवश्यकता के बिना प्रोग्रामेबल नॉनलिनैरिटी के लिए SPM का लाभ उठाते हैं।
सैद्धांतिक सत्यापन: यह प्रदर्शन करना कि डीप NU सर्किट सर्किट डेप्थ बढ़ने के साथ ट्रैजेक्टरी लेंथ में घातांकीय वृद्धि (एक्सपोनेंशियल ग्रोथ) और आउटपुट स्पेस का लगभग पूर्ण कवरेज प्रदर्शित करते हैं। ये मेट्रिक्स डीप लर्निंग के लिए आवश्यक एक्सप्रेसिविटी के लिए अनिवार्य हैं।
प्रदर्शन सत्यापन: एक 2D नॉन-कॉन्वेक्स रास्ट्रिग (Rastrigin) फंक्शन के रिग्रेशन को एक डीप NU DNN द्वारा सफलतापूर्वक पूरा किया गया, जो उन्नत समस्याओं को हल करने के लिए हार्डवेयर की क्षमता को प्रमाणित करता है।

परिणाम

एक्सप्रेसिविटी मेट्रिक्स: संख्यात्मक सिमुलेशन दिखाते हैं कि जबकि लीनियर यूनिटरी सर्किट इनपुट ट्रैजेक्टरीज के ज्यामिति को संरक्षित करते हैं, नॉनलीन सर्किट पर्याप्त जटिलता पेश करते हैं। ब्लॉच स्फीयर (Bloch sphere) पर ट्रैजेक्टरी लेंथ ( $\mathcal{E}$ ) सर्किट डेप्थ ( $M$ ) के साथ घातांकीय रूप से बढ़ती है, जो एक विशिष्ट विशेषता है।
कवरेज: नॉनलिनैरिटी के परिचय के बावजूद, जो स्टेट कंसंट्रेशन का कारण बन सकती है, डीप NU सर्किट $M > 7$ के लिए आउटपुट स्पेस का लगभग पूर्ण कवरेज (नॉर्मलाइज्ड एंट्रॉपी $\mathcal{C} \approx 1$ ) प्राप्त करते हैं, जो लीनियर यूनिवर्सल सर्किट्स के तुल्य है।
रिग्रेशन टास्क: एक नॉन-कॉन्वेक्स फंक्शन के रिग्रेशन में, गहरे NU सर्किट उथले (shallower) सर्किट्स की तुलना में बेहतर प्रदर्शन (कम मीन स्क्वायर एरर) प्रदर्शित करते हैं। प्रशिक्षित नेटवर्क ने लक्षित फंक्शन का सफलतापूर्वक अनुमान लगाया, जबकि अनट्रेन्ड नेटवर्क ऐसा करने में विफल रहे, जो पुष्टि करता है कि आर्किटेक्चर प्रभावी लर्निंग का समर्थन करता है।

महत्व और दावे
लेखकों का दावा है कि यह कार्य अत्यधिक एक्सप्रेसिव इन्फरेंस और स्थिर ट्रेनिंग वाले फोटोनिक न्यूरल नेटवर्क के लिए मार्ग प्रशस्त करता है। नॉर्म-प्राइविंग ऑपरेशंस का लाभ उठाकर, प्रस्तावित प्लेटफॉर्म यूनिटरी न्यूरल नेटवर्क के लाभों को विरासत में प्राप्त करता है, विशेष रूप से डीप लर्निंग में सामान्य ग्रेडिएंट एक्सप्लोजन और वैनिशिंग ग्रेडिएंट समस्याओं के शमन को। एक कॉम्पैक्ट, ऊर्जा-कुशल आर्किटेक्चर के भीतर लीनियर और नॉनलीन एक्सप्रेसिविटी का एकीकरण फोटोनिक डीप लर्निंग की एक प्राथमिक चुनौती को संबोधित करता है। यह पेपर इस दृष्टिकोण को क्लासिकल और क्वांटम वेव न्यूरल नेटवर्क दोनों के लिए एक आशाजनक हार्डवेयर उम्मीदवार के रूप में प्रस्तुत करता है, यह नोट करते हुए कि भविष्य का कार्य आंतरिक नुकसान (intrinsic losses), ट्रेनिंग दक्षता और मेमोरी फंक्शन के लिए हिस्टेरेसिस के उपयोग की क्षमता को संबोधित करेगा।

इसी तरह के और पेपर