← नवीनतम पेपर
🔬 optics

On-chip 1 TOPS Hyperdimensional Photonic Tensor Core using a WDM Silicon Photonic Coherent Crossbar

यह शोध पत्र एक ऑन-चिप 0.96 TOPS हाइपरडायमेंशनल फोटोनिक टेंसर कोर प्रस्तुत करता है जो टाइम-स्पेस-वेवलेंथ मल्टीप्लेक्सड सिलिकॉन फोटोनिक क्रॉसबार का उपयोग करता है, जो कम त्रुटि के साथ हाई-स्पीड टेंसर-वेक्टर गुणन प्राप्त करता है और प्रभावी AI वर्गीकरण प्रदर्शन प्रदर्शित करते हुए POPS-स्तर के कंप्यूटेशनल थ्रूपुट की ओर एक स्केलेबल पथ प्रदान करता है।

मूल लेखक: S. Kovaios, I. Roumpos, A. Tsakyridis, M. Moralis-Pegios, D. Lazovsky, K. Vyrsokinos, N. Pleros

प्रकाशित 2026-05-14
📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें
CC BY 4.0

मूल लेखक: S. Kovaios, I. Roumpos, A. Tsakyridis, M. Moralis-Pegios, D. Lazovsky, K. Vyrsokinos, N. Pleros

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 एक विशाल, जटिल गणितीय पहेली को हल करने की कोशिश कर रहे हैं। आर्टिफिशियल इंटेलिजेंस (AI) की दुनिया में, इन पहेलियों में संख्याओं के विशाल ग्रिड (मैट्रिक्स) को संख्याओं की सूचियों (वेक्टर) से गुणा करना शामिल है। पारंपरिक इलेक्ट्रॉनिक कंप्यूटरों के साथ ऐसा करना एक स्विमिंग पूल का सारा पानी एक बार में एक कप करके ले जाने जैसा है: यह काम तो करता है, लेकिन यह धीमा है और इसमें बहुत अधिक ऊर्जा खर्च होती है।

यह शोध पत्र एक नया, सुपर-फास्ट "फोटोनिक" (प्रकाश-आधारित) इंजन पेश करता है जिसे इन पहेलियों को तुरंत हल करने के लिए डिज़ाइन किया गया है। उन्होंने इसे कैसे किया, इसका सरल विवरण यहाँ दिया गया है:

समस्या: बहुत अधिक डेटा, बहुत कम जगह

एक मानक कंप्यूटर चिप को एक छोटे किचन की तरह समझें। यदि आप एक हजार लोगों के लिए दावत (एक विशाल AI मॉडल) बनाने की कोशिश करते हैं, तो आपके पास काउंटर स्पेस खत्म हो जाता है और चूल्हा जल जाता है। शोधकर्ता एक ऐसा "किचन" बनाना चाहते थे जो बिना जगह या ऊर्जा खत्म हुए भारी मात्रा में डेटा को संभाल सके।

समाधान: एक त्रि-आयामी राजमार्ग (Three-Dimensional Highway)

टीम ने एक विशेष "क्रॉसबार" (प्रकाश के लिए सड़कों का एक ग्रिड) बनाया है जो एक ही समय में डेटा को चलाने के लिए तीन अलग-अलग तरकीबों का उपयोग करता है। वे इसे TSWDM (टाइम-स्पेस-वेवलेंथ डिवीजन मल्टीप्लेक्सिंग) कहते हैं।

  1. स्पेस (सड़क की लेन): कल्पना करें कि एक हाईवे में कई लेन हैं। केवल एक सड़क पर एक कार (डेटा) चलाने के बजाय, उन्होंने कई लेन वाला एक ग्रिड बनाया है जो अगल-बगल स्थित हैं। यह "स्पेस" वाला हिस्सा है।
  2. टाइम (ट्रैफिक का प्रवाह): कल्पना करें कि वे लेन इतनी व्यस्त हैं कि कारें एक निरंतर धारा में, एक के बाद एक, एक कन्वेयर बेल्ट की तरह चल रही हैं। वे गणितीय समस्याओं को बहुत तेज़ क्रम में व्यवस्थित करते हैं। यह "टाइम" वाला हिस्सा है।
  3. वेवलेंथ (रंग कोडिंग): यह सबसे चतुर हिस्सा है। कल्पना करें कि केवल सफेद रोशनी का उपयोग करने के बजाय, वे एक ही सड़क पर अलग-अलग डेटा स्ट्रीम को एक साथ ले जाने के लिए प्रकाश के विभिन्न रंगों (जैसे लाल, नीला, हरा और पीला) का उपयोग करते हैं। प्रत्येक रंग एक अलग चैनल के रूप में कार्य करता है। यह "वेवलेंथ" वाला हिस्सा है।

इन तीनों को मिलाकर, उन्होंने एक "हाइपरडायमेंशनल" इंजन बनाया है। यह एक ऐसे हाईवे की तरह है जहाँ कारें कई लेन में चलती हैं, एक निरंतर धारा में, और प्रत्येक लेन को एक अलग रंग से रंगा गया है, जो एक साथ गणित की पहेली के विभिन्न हिस्सों को ले जा रही है।

प्रयोग: "आइरिस" टेस्ट

यह साबित करने के लिए कि यह नया इंजन काम करता है, उन्होंने एक छोटा सिलिकॉन चिप (लग लगभग एक नाखून के आकार का, 2 वर्ग मिलीमीटर) बनाया है जो इस सिस्टम का 4-लेन, 2-इनपुट संस्करण है।

  • गति: उन्होंने इसके माध्यम से अविश्वसनीय उच्च गति (60 बिलियन सिंबल प्रति सेकंड तक) पर डेटा चलाया।
  • गणित का परीक्षण: उन्होंने चिप को "टेंसर-वेक्टर मल्टीप्लिकेशन" (एक जटिल प्रकार का गणित) करने के लिए कहा। चिप ने 96% बार सही उत्तर दिया, जिसमें औसत त्रुटि केवल 3.9% थी।
  • वास्तविक दुनिया का परीक्षण: उन्होंने फूलों को वर्गीकृत करने (प्रसिद्ध "आइरिस डेटासेट") के लिए चिप का उपयोग किया। चिप ने मध्यम गति पर चलते समय 93.3% बार फूलों के प्रकार को सही ढंग से पहचाना, और जब उन्होंने गति को अधिकतम सीमा तक पहुँचाया, तब भी 83.3% सटीकता बनाए रखी।

यह क्यों महत्वपूर्ण है ("स्केलेबिलिटी" का रहस्य)

शोध पत्र का तर्क है कि यह "कलर कोडिंग" (वेवलेंथ) वाली तरकीब भविष्य की कुंजी है।

कल्पना कीजिए कि आप और भी बड़े AI मॉडल को संभालने के लिए इस चिप का बड़ा संस्करण बनाना चाहते हैं।

  • पुराना तरीका (केवल स्पेस): अधिक शक्ति प्राप्त करने के लिए, आपको चिप को भौतिक रूप से बहुत बड़ा बनाना होगा, जिससे अधिक लेन जुड़ जाएंगी। लेकिन जैसे-जैसे चिप बड़ी होती है, प्रकाश धुंधला होता जाता है और गणित अधिक जटिल (अधिक त्रुटियां) हो जाता है, जिसके लिए प्रकाश को धकेलने के लिए एक सुपर-पावरफुल लेजर की आवश्यकता होती है।
  • नया तरीका (वेवलेंथ): चिप को केवल भौतिक रूप से चौड़ा करने के बजाय अधिक रंगों को जोड़कर, वे बिना किसी विशाल लेजर की आवश्यकता के अपनी शक्ति बढ़ा सकते हैं। यह एक ही फ्रीक्वेंसी बैंड में अधिक रेडियो स्टेशन जोड़ने जैसा है, न कि एक नया टावर बनाने जैसा।

निचोड़ (The Bottom Line)

शोधकर्ताओं ने एक वर्किंग प्रोटोटाइप का प्रदर्शन किया है जो एक छोटे से चिप पर 0.96 TOPS (टेरा ऑपरेशंस प्रति सेकंड) की कंप्यूटिंग शक्ति प्रदान कर सकता है। वे भविष्यवाणी करते हैं कि यदि वे अपने "कलर कोडिंग" तरीके का उपयोग करके इसे स्केल करते हैं, तो वे अंततः 491.5 TOPS (उनके वर्तमान प्रोटोटाइप से लगभग 500 गुना तेज़) की क्षमता वाले फोटोनिक एक्सेलेरेटर बना सकते हैं, जो पारंपरिक तरीकों की तुलना में कम ऊर्जा और कम लेजर पावर का उपयोग करेंगे।

संक्षेप में, उन्होंने एक लाइट-स्पीड मैथ इंजन बनाया है जो गणित की समस्याओं को पहले से कहीं अधिक तेज़ी से और कुशलता से हल करने के लिए स्पेस, टाइम और कलर का उपयोग करता है, और यह साबित करता है कि यह वास्तविक दुनिया के फूल वर्गीकरण कार्य पर काम करता है।

अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?

आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।

Digest आज़माएँ →

इसी तरह के और पेपर

इस विषय के सभी पेपर देखें 🔬 physics.optics →