🔬 optics

Photonic Exponential Approximation via Cascaded TFLN Microring Resonators toward Softmax

यह शोध पत्र एक कैस्केडेड थिन-फिल्म लिथियम नियोबेट माइक्रोरिंग रेज़ोनेटर आर्किटेक्चर का प्रस्ताव और सत्यापन करता है जो फोटोनिक सॉफ्टमैक्स अटेंशन के लिए आवश्यक एक्सपोनेंशियल फंक्शन को संश्लेषित करता है, जिससे बड़े पैमाने के एआई एक्सेलेरेटर्स में इलेक्ट्रो-ऑप्टिक रूपांतरण की बाधा को दूर किया जा सके।

मूल लेखक: Hyoseok Park (Department of Physics, Chungnam National University, Daejeon, Republic of Korea), Yeonsang Park (Department of Physics, Chungnam National University, Daejeon, Republic of Korea)

प्रकाशित 2026-03-16

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Hyoseok Park (Department of Physics, Chungnam National University, Daejeon, Republic of Korea), Yeonsang Park (Department of Physics, Chungnam National University, Daejeon, Republic of Korea)

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

यहाँ इस शोध पत्र का हिंदी अनुवाद दिया गया है:

बड़ी समस्या: AI के दिमागों में "ट्रैफिक जाम"

कल्पना कीजिए कि एक विशाल, सुपर-फास्ट हाईवे सिस्टम (एक डेटा सेंटर) है जहाँ सेल्फ-ड्राइविंग कारें (AI मॉडल) तेज़ी से दौड़ रही हैं। ये कारें अविश्वसनीय रूप से स्मार्ट हैं, लेकिन उनके पास एक बड़ी बाधा (bottleneck) है।

ज्यादातर ड्राइविंग हाईवे पर प्रकाश की किरणों (फोटोन) का उपयोग करके होती है, जो बहुत तेज़ है और बहुत कम ऊर्जा खर्च करती है। हालाँकि, हर बार जब कार को कोई महत्वपूर्ण निर्णय लेना होता है—जैसे कि "क्या वह पैदल यात्री है या पेड़?"—तो उसे रुकना पड़ता है, कार से बाहर निकलना पड़ता है, एक गैस स्टेशन (एक इलेक्ट्रॉनिक कंप्यूटर) में जाना पड़ता है, भारी गणित करना पड़ता है, और फिर वापस कार में बैठना पड़ता है।

इस विशिष्ट गणितीय समस्या को Softmax कहा जाता है। यह AI का वह हिस्सा है जो यह पता लगाता है कि कौन सा विकल्प सबसे संभावित है। वर्तमान तकनीक में, यह चरण प्रकाश की किरण को बिजली में बदलने, उसे प्रोसेस करने और फिर से प्रकाश में बदलने के लिए मजबूर करता है। यह "बदलाव" (switching) धीमा है, गर्म है, और उस सारी ऊर्जा बचत को खा जाता है जो लाइट हाईवे को प्रदान करनी चाहिए थी।

समाधान: एक "केवल-प्रकाश" फ़िल्टर श्रृंखला

इस शोध पत्र के लेखक इस काम को पूरी तरह से प्रकाश के साथ करने का एक चतुर तरीका प्रस्तावित करते हैं, बिना बिजली का उपयोग करने के लिए कभी रुके। उन्होंने Tiny Optical Rings (सूक्ष्म ऑप्टिकल रिंग्स) का उपयोग करके एक मशीन बनाई है।

इन रिंग्स को ट्यूनिंग फोर्क्स (tuning forks) या सीटी (whistles) की तरह समझें।

प्रत्येक रिंग को इस तरह डिज़ाइन किया गया है कि वह प्रकाश के एक विशिष्ट रंग को अपने माध्यम से गुजरने दे, लेकिन केवल तभी जब प्रकाश सही ढंग से ट्यून किया गया हो।
यदि प्रकाश थोड़ा भी "ऑफ-की" (बेसुरा) है, तो रिंग उसे रोक देती है।
इस "ऑफ-की-नेस" को वोल्टेज (एक नॉब घुमाने की तरह) द्वारा नियंत्रित किया जाता है।

जादुई ट्रिक: "स्टैक्ड व्हिसल्स" (एक के ऊपर एक रखी सीटी)

यही मुख्य नवाचार है। एक अकेला रिंग एक साधारण फ़िल्टर की तरह कार्य करता है। यह जटिल गणित करने में बहुत अच्छा नहीं है। लेकिन, लेखकों ने महसूस किया कि यदि आप इन रिंग्स को एक पंक्ति में (एक कैस्केड के रूप में) एक के ऊपर एक रखते हैं, तो कुछ जादुई होता है।

उपमा: "वॉल्यूम नॉब" का ढेर
कल्पना कीजिए कि आपके पास 30 वॉल्यूम नॉब का एक ढेर है।

यदि आप पहले नॉब को थोड़ा सा घुमाते हैं, तो आवाज़ थोड़ी सी कम हो जाती है।
यदि आप दूसरे नॉब को थोड़ा सा घुमाते हैं, तो यह और कम हो जाती है।
यदि आप इन 30 नॉब्स को एक के ऊपर एक रखते हैं और उन सभी को थोड़ा सा घुमाते हैं, तो कुल वॉल्यूम एक्सपोनेंशियल (घातांकीय) रूप से गिर जाती है।

गणित की दुनिया में, "एक्सपोनेंशियल" एक ऐसा वक्र (curve) है जो बहुत तेज़ी से ऊपर की ओर बढ़ता है (जैसे $2, 4, 8, 16, 32...$)। लेखकों ने पाया कि इन रिंग्स को स्टैक करके और "नॉब्स" (वोल्टेज) को सावधानीपूर्वक एडजस्ट करके, पूरी श्रृंखला से गुजरने वाला प्रकाश स्वाभाविक रूप से उसी सटीक एक्सपोनेंशियल कर्व को बनाता है।

वे इसे Approximate Exponential Function (AEF) कहते हैं। यह एक ऐसी मशीन बनाने जैसा है जो चरण-दर-चरण गणना करने के बजाय स्वाभाविक रूप से उस उत्तर को "साँस लेती" है जिसकी आपको आवश्यकता है।

उन्होंने इसका परीक्षण कैसे किया

टीम ने केवल अनुमान नहीं लगाया; उन्होंने Thin-Film Lithium Niobate (TFLN) का उपयोग करके इन रिंग्स का एक डिजिटल सिमुलेशन बनाया। यह एक विशेष क्रिस्टल सामग्री है जो प्रकाश के लिए एक सुपर-एफिशिएंट स्विच की तरह है।

सिमुलेशन: उन्होंने इन सूक्ष्म रिंग्स में प्रकाश कैसे व्यवहार करता है, यह देखने के लिए एक 3D कंप्यूटर सिमुलेशन (जैसे कि एक वीडियो गेम फिजिक्स इंजन) चलाया।
परिणाम: उन्होंने पाया कि लगभग 5 से 30 रिंग्स को एक साथ स्टैक करने पर, दूसरी ओर से निकलने वाला प्रकाश उस "एक्सपोनेंशियल" गणितीय वक्र से लगभग पूरी तरह मेल खाता है।
त्रुटि (Error): मध्यम संख्या में रिंग्स के बावजूद, त्रुटि बहुत कम थी (सबसे अच्छे परिदृश्यों में 1% से भी कम)।

यह क्यों मायने रखता है: "ऊर्जा की डाइट"

हम रिंग्स को स्टैक करने के बारे में क्यों परवाह करते हैं? क्योंकि यह ऊर्जा (Energy) के बारे में है।

वर्तमान तरीका (इलेक्ट्रॉनिक): इस गणित को करने के लिए, एक कंप्यूटर चिप लगभग 46 पिकोजूल ऊर्जा का उपयोग कर सकती है (यह एक बहुत छोटी मात्रा है, लेकिन अरबों गणना करने वाले चिप के लिए बहुत बड़ी है)।
यह नया तरीका (फोटोनिक): उनका लाइट-रिंग सिस्टम लगभग 0.94 पिकोजूल ऊर्जा का उपयोग करता है।

यह लगभग 50 गुना कम ऊर्जा है। यह ईंटों से भरा बैकपैक लेकर मैराथन दौड़ने बनाम एक पंख लेकर दौड़ने के बीच का अंतर है।

इसके अलावा, क्योंकि वे प्रकाश का उपयोग कर रहे हैं, यह 10 GHz (एक सेकंड में 10 अरब बार) पर होता है। यह गणित करने की गति प्रकाश की गति के बराबर है, जबकि इलेक्ट्रॉनिक संस्करण की तुलना में यह एक घोंघे की गति से काम कर रहा है।

चुनौती (और भविष्य)

पेपर ईमानदारी से चुनौतियों के बारे में बताता है:

सटीकता महत्वपूर्ण है: सर्वोत्तम परिणाम प्राप्त करने के लिए, रिंग्स का निर्माण बिल्कुल सटीक होना चाहिए। यदि एक रिंग भी दूसरों से थोड़ी अलग है, तो गणित बिगड़ जाएगा।
"High-Q" लक्ष्य: उनका वर्तमान सिमुलेशन दिखाता है कि यह काम करता है, लेकिन सर्वोत्तम दक्षता प्राप्त करने के लिए, उन्हें रिंग्स को और भी बेहतर बनाना होगा (उच्च "Quality Factor")। इसे ऊर्जा खोने के बिना ट्यूनिंग फोर्क्स को लंबे समय तक कंपन करने के लिए बनाने के रूप में समझें।
पहेली का बाकी हिस्सा: यह पेपर Softmax के "एक्सपोनेंशियल" हिस्से को हल करता है। काम पूरा करने के लिए, आपको अभी भी संख्याओं को जोड़ना और विभाजित (नॉर्मलाइजेशन) करना होगा। वे चर्चा करते हैं कि इसे कैसे किया जाए, लेकिन यह यात्रा का अगला चरण है।

निष्कर्ष

यह शोध पत्र एक नए प्रकार के AI मस्तिष्क का ब्लूप्रिंट प्रस्तुत करता है। प्रकाश को अपना होमवर्क करने के लिए बिजली बनने के लिए मजबूर करने के बजाय, यह डिज़ाइन प्रकाश को अपना होमवर्क स्वयं करने देता है, जो सूक्ष्म क्रिस्टल रिंगों की एक सावधानीपूर्वक ट्यून की गई श्रृंखला से गुजरता है।

यह कैलकुलेटर को प्रकाश से बने स्लाइड रूल (slide rule) से बदलने जैसा है। यह तेज़ है, ठंडा है, और बैटरी का एक छोटा सा हिस्सा ही खर्च करता है, जिससे भविष्य में बहुत छोटे, अधिक कुशल उपकरणों पर चल सकने वाले AI का मार्ग प्रशस्त होता है।

यहाँ शोध पत्र "Photonic Exponential Approximation via Cascaded TFLN Microring Resonators toward Softmax" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

बड़े पैमाने के AI मॉडल (विशेष रूप से ट्रांसफॉर्मर) के तेजी से बढ़ते विस्तार ने डेटा केंद्रों में ऊर्जा की खपत और डेटा मूवमेंट के संबंध में महत्वपूर्ण बाधाएं उत्पन्न कर दी हैं। जबकि फोटोनिक एक्सेलेरेटर लीनियर मैट्रिक्स मल्टीप्लिकेशन (जो ट्रांसफॉर्मर इन्फरेंस का मूल है) में उत्कृष्ट हैं, सॉफ्टमैक्स (Softmax) अटेंशन लेयर एक महत्वपूर्ण बाधा बनी हुई है।

बाधा (The Bottleneck): सॉफ्टमैक्स के लिए एक एलिमेंट-वाइज एक्सपोनेंशियल फंक्शन ( $e^{x_n}$ ) और उसके बाद ग्लोबल नॉर्मलाइजेशन की आवश्यकता होती है।
वर्तमान सीमा: पैसिव फोटोनिक सर्किट यूनिटी ट्रांसमिशन ( $0 < T \le 1$ ) द्वारा सीमित हैं, जिससे 1 से अधिक बढ़ने वाले एक्सपोनेंशियल फंक्शन को सीधे जेनरेट करना असंभव हो जाता है। फलस्वरूप, वर्तमान फोटोनिक सिस्टम एक्सपोनेंशियल और नॉर्मलाइजेशन चरणों के लिए इलेक्ट्रॉनिक पोस्ट-प्रोसेसिंग पर निर्भर रहते हैं।
परिणाम: इसके लिए इलेक्ट्रो-ऑप्टिक कन्वर्जन की आवश्यकता होती है, जो लेटेंसी और ऊर्जा ओवरहेड पेश करता है, जिससे फोटोनिक फ्रंट-एंड के संभावित दक्षता लाभ निष्प्रभावी हो जाते हैं।

2. कार्यप्रणाली (Methodology)

लेखक पूरी तरह से ऑप्टिकल डोमेन में एक्सपोनेंशियल फंक्शन को सिंथेसाइज करने के लिए एक कैस्केडेड माइक्रो-रिंग रेज़ोनेटर (MRR) आर्किटेक्चर का प्रस्ताव करते हैं।

मुख्य अवधारणा: एप्रोक्सिमेट एक्सपोनेंशियल फंक्शन (AEF) यूनिट

सीधे $e^x$ जेनरेट करने के बजाय, सिस्टम एक सीमित अंतराल पर नॉर्मलाइज्ड एक्सपोनेंशियल $e^{x_n - \max(x)}$ को अनुमानित (approximate) करता है।

तंत्र (Mechanism): सिस्टम एक कंट्रोल-प्रोब आर्किटेक्चर का उपयोग करता है।
- कंट्रोल सिग्नल: एक इनपुट सिग्नल (जो इनपुट वेक्टर $x$ से मैप किया गया है) इलेक्ट्रो-ऑप्टिक (पॉकल्स) प्रभाव के माध्यम से रिंग्स की रेजोनेंस फ्रीक्वेंसी को डिट्यून करता है।
- प्रोब सिग्नल: एक कमजोर, फिक्स्ड-फ्रीक्वेंसी ऑप्टिकल प्रोब $N$ समान एड-ड्रॉप (add-drop) MRRs के कैस्केड से गुजरता है।
गणितीय सिद्धांत:
- एक एकल रिंग एक लोरेंत्ज़ियन ट्रांसमिशन (Lorentzian transmission) प्रोफाइल प्रदर्शित करती है: $T(\Delta\omega) = \frac{1}{1 + (\Delta\omega/\Gamma)^2}$ ।
- $N$ रिंग्स को कैस्केड करने पर, कुल ट्रांसमिशन व्यक्तिगत ट्रांसमिशन का गुणनफल बन जाता है: $y(I) = \prod_{k=1}^N T_k(I)$ ।
- गुणनफल का लॉग लेने पर योग प्राप्त होता है: $\ln(y) = \sum \ln(T_k)$ ।
- लेखक यह प्रदर्शित करते हैं कि रिंग्स के स्टैटिक डिट्यूनिंग ( $a_k$ ) और सेंसिटिविटी ( $b$ ) को सावधानीपूर्वक ट्यून करके, कैस्केड ट्रांसमिशन का लॉग एक विशिष्ट अंतराल $I \in [0, L]$ में लगभग लीनियर (linear) बनाया जा सकता है।
- चूंकि $\ln(y) \approx I - L$ , इसलिए $y \approx e^{I-L}$ होता है, जो प्रभावी रूप से एक्सपोनेंशियल फंक्शन को सिंथेसाइज करता है।

डिज़ाइन फ्रेमवर्क

मैपिंग: इनपुट वेक्टर्स को गैर-ऋणात्मक (non-negative) कंट्रोल सिग्नल्स सुनिश्चित करने के लिए प्री-प्रोसेस किया जाता है ( $I_n = x_n - \min(x)$ )।
ऑप्टिमाइज़ेशन: डिज़ाइन एक मिनिमैक्स फिटिंग (minimax fitting) दृष्टिकोण का उपयोग करता है ताकि लक्षित एक्सपोनेंशियल फंक्शन और कैस्केड आउटपुट के बीच वर्स्ट-केस रिलेटिव एरर को कम किया जा सके।
डेप्थ स्केलिंग: पेपर एक स्केलिंग लॉ को व्युत्पन्न करता है जो दिखाता है कि एरर $N$ बढ़ने के साथ घटता है, विशेष रूप से $E_\infty \propto L^{3/2} / \sqrt{N}$ । यह डिजाइनरों को सटीकता के लिए रिंग्स की संख्या ( $N$ ) के बीच ट्रेड-ऑफ करने की अनुमति देता है।

हार्डवेयर प्लेटफॉर्म

सामग्री (Material): इंसुलेटर पर X-कट थिन-फिल्म लिथियम नाइओबेट (TFLN)।
ज्यामिति (Geometry): रिब वेवगाइड्स जिनका रेडियस $R=20\,\mu\text{m}$ और कपलिंग गैप $100\,\text{nm}$ है।
इलेक्ट्रोड्स: इलेक्ट्रो-ऑप्टिक फिल फैक्टर को अधिकतम करने के लिए, कपलिंग क्षेत्रों को इलेक्ट्रोड क्षेत्रों से अलग करने हेतु लैटरल सिग्नल-ग्राउंड (S-G) आर्क इलेक्ट्रोड्स का उपयोग किया गया है, जिसमें बड़े $r_{33}$ पॉकल्स गुणांक ( $30.9\,\text{pm/V}$ ) का लाभ उठाया गया है। क्रिस्टल ओरिएंटेशन को $45^\circ$ घुमाया गया है।

3. प्रमुख योगदान (Key Contributions)

सैद्धांतिक ढांचा: एक पैसिव लोरेंत्ज़ियन कैस्केड का उपयोग करके एक्सपोनेंशियल फंक्शन को अनुमानित करने के लिए मैपिंग नियम और डेप्थ-स्केलिंग लॉ का व्युत्पन्न।
मिनिमैक्स ऑप्टिमाइज़ेशन: न्यूनतम रिंग्स के साथ लक्षित एरर टॉलरेंस प्राप्त करने के लिए अनुकूलतम स्टैटिक डिट्यूनिंग और सेंसिटिविटी पैरामीटर्स निर्धारित करने के लिए एक फॉर्मूलेशन।
3D FDTD वैलिडेशन:
- एक सिंगल X-कट TFLN MRR का सिमुलेशन जो $\sim15,500$ का क्वालिटी फैक्टर ( $Q_L$ ) और $0.36 $की ड्रॉप-पोर्ट डेप्थ ($ D_{max}$) देता है।
- डायरेक्ट मल्टी-रिंग वैलिडेशन: Tidy3D का उपयोग करके पाँच-रिंग कैस्केड का एक पूर्ण 3D FDTD सिमुलेशन। इसने पुष्टि की कि वास्तविक भौतिक ज्यामिति में सैद्धांतिक मल्टीप्लिकेटिव ट्रांसफर फंक्शन काम करता है, और कैस्केड लक्षित एक्सपोनेंशियल आकार को सफलतापूर्वक दोहराता है।
व्यवहार्यता विश्लेषण (Feasibility Analysis): वोल्टेज आवश्यकताओं, पावर बजट और ऊर्जा दक्षता का एक व्यापक मूल्यांकन, जो डिजिटल (INT8/FP32) और एनालॉग इलेक्ट्रॉनिक कार्यान्वयन के साथ तुलना करता है।

4. परिणाम (Results)

अनुमान सटीकता (Approximation Accuracy):
- वर्तमान शासन (FDTD-कैलिब्रेटेड, $Q_L \approx 15,500$ ): व्यावहारिक कैस्केड्स $N \le 5$ तक सीमित हैं, जो $\sim 10.9\%$ का वर्स्ट-केस रिलेटिव एरर प्राप्त करते हैं।
- प्रोजेक्टेड हाई-Q शासन (Projected High-Q Regime, $Q_i \ge 10^6$ ): यदि फैब्रिकेशन साहित्य में रिपोर्ट किए गए $Q_i \ge 10^6$ जैसे इंट्रिन्सिक क्वालिटी फैक्टर्स प्राप्त करता है, तो गहरे कैस्केड्स ( $N \approx 30$ ) संभव हो जाते हैं।
- $N=30$ पर हाई-Q शासन में, वर्स्ट-केस रिलेटिव एरर घटकर $0.30\%$ हो जाता है, जो उच्च-परिशुद्धता AI इन्फरेंस के लिए पर्याप्त है।
वोल्टेज आवश्यकताएं:
- $N=30$ (0.3% एरर लक्ष्य) के लिए, आवश्यक कंट्रोल वोल्टेज $1.47\,\text{V}$ है, जो मानक CMOS ड्राइवर्स के साथ पूरी तरह से संगत है। बायस वोल्टेज लगभग $6.3\,\text{V}$ है।
ऊर्जा दक्षता (Energy Efficiency):
- $N=30$ के लिए प्रति एक्सपोनेंशियल ऑपरेशन अनुमानित ऊर्जा $0.79\,\text{pJ}$ (थर्मल स्टेबिलाइजेशन को छोड़कर) से $1.39\,\text{pJ}$ (थर्मल सहित) है।
- तुलना: यह डिजिटल INT8 कार्यान्वयन ( $\sim 2.3\,\text{pJ}$ ) की तुलना में 1.7–2.4 $\times$ अधिक कुशल और डिजिटल FP32 ( $\sim 46\,\text{pJ}$ ) की तुलना में 58 $\times$ अधिक कुशल है, जबकि यह 10 GHz की बैंडविड्थ पर काम करता है।
मजबूती (Robustness): मोंटे कार्लो सिमुलेशन दर्शाते हैं कि डिज़ाइन फैब्रिकेशन विविधताओं (जैसे डिट्यूनिंग स्प्रेड $\sigma_a = 0.02$ ) के प्रति मजबूत है। एक सिंगल प्रति-चिप कैलिब्रेशन स्टेप 95वें पर्सेंटाइल सॉफ्टमैक्स प्रोबेबिलिटी एरर को 0.32% से नीचे रखता है।

5. महत्व (Significance)

फोटोनिक AI गैप को भरना: यह कार्य "मिसिंग नॉन-लिनियरिटी" को संबोधित करता है। एक पैसिव, ऑल-ऑप्टिकल विधि प्रदान करके, यह सॉफ्टमैक्स लेयर के लिए इलेक्ट्रॉनिक पोस्ट-प्रोसेसिंग की आवश्यकता को समाप्त करता है।
स्केलेबिलिटी: यह आर्किटेक्चर इंटीग्रेटेड फोटोनिक प्लेटफॉर्म्स (TFLN) के साथ संगत है और रिंग्स की संख्या के साथ अनुमानित रूप से स्केल करता है।
ऊर्जा ब्रेकथ्रू: प्रस्तावित सिस्टम अल्ट्रा-लो-एनर्जी AI इन्फरेंस का एक मार्ग प्रदान करता है, जो संभावित रूप से डेटासेंटर-स्केल ट्रांसफॉर्मर मॉडल के ऊर्जा पदचिह्न (energy footprint) को कम कर सकता है।
व्यावहारिक मार्ग: यह पेपर कठोर 3D FDTD सिमुलेशन के साथ अपने कॉन्सेप्ट को वैलिडेट करके और फैब्रिकेशन (हाई $Q$ फैक्टर्स प्राप्त करना) के लिए एक स्पष्ट रोडमैप प्रदान करके, सैद्धांतिक अनुमान और भौतिक वास्तविकता के बीच के अंतर को पाटता है।

निष्कर्षतः, यह शोध पत्र पूरी तरह से ऑप्टिकल डोमेन में सॉफ्टमैक्स फंक्शन को लागू करने के लिए एक व्यवहार्य, सैद्धांतिक रूप से सुदृढ़ और प्रयोगात्मक रूप से प्रमाणित मार्ग प्रस्तुत करता है, जो अगली पीढ़ी के AI एक्सेलेरेटर्स की ऊर्जा दक्षता में क्रांति ला सकता है।