🔬 optics

Scalable native signed optical computing enabled by dual-wavelength incoherent multiplexing

यह शोध पत्र एक थिन-फिल्म लिथियम नायोबेट प्लेटफॉर्म पर एक स्केलेबल, नेटिव साइन्ड ऑप्टिकल कंप्यूटिंग आर्किटेक्चर प्रस्तुत करता है जो निरंतर हार्डवेयर ओवरहेड के साथ बाइपोलर ऑपरेशंस करने के लिए ड्यूल-वेवलेंथ इनकोहेरेंट मल्टीप्लेक्सिंग का उपयोग करता है, जिससे अतिरिक्त स्थानिक या टेम्पोरल एनकोडिंग की आवश्यकता के बिना हाई-स्पीड मॉड्यूलेशन और सटीक न्यूरल नेटवर्क क्लासिफिकेशन प्राप्त होता है।

मूल लेखक: Yuan Ren, Yong Zheng, Ruixue Liu, Yunpeng Song, Qinfen Huang, Min Wang, Ya Cheng

प्रकाशित 2026-05-21

📖 5 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Yuan Ren, Yong Zheng, Ruixue Liu, Yunpeng Song, Qinfen Huang, Min Wang, Ya Cheng

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 कंप्यूटर को पैटर्न पहचानना सिखाने की कोशिश कर रहे हैं, जैसे कि दो प्रकार के बादलों के बीच अंतर करना या हाथ से लिखे नंबरों को पढ़ना। ऐसा करने के लिए, कंप्यूटर को बहुत तेज़ी से अरबों गणितीय समस्याओं को हल करने की आवश्यकता होती है। पारंपरिक रूप से, कंप्यूटर यह काम बिजली का उपयोग करके करते हैं, लेकिन वे एक बाधा से टकरा रहे हैं: वे बहुत गर्म हो रहे हैं और धीमे होते जा रहे हैं।

वैज्ञानिक बिजली के बजाय प्रकाश (लाइट) का उपयोग करके इन गणितीय समस्याओं को हल करने की कोशिश कर रहे हैं क्योंकि प्रकाश अविश्वसनीय रूप से तेज़ है और इससे बहुत अधिक गर्मी भी पैदा नहीं होती है। हालाँकि, इसमें एक बड़ी समस्या है: प्रकाश स्वाभाविक रूप से "धनात्मक" (positive) होता है। आपके पास एक चमकदार किरण या एक धुंधली किरण हो सकती है, लेकिन आप वास्तव में "ऋणात्मक प्रकाश" (negative light) नहीं रख सकते। यह प्रकाश-आधारित कंप्यूटरों के लिए उस तरह का गणित करना कठिन बनाता है जिसकी आधुनिक एआई (AI) को भारी आवश्यकता होती है, जो धनात्मक और ऋणात्मक दोनों संख्याओं (जैसे कि थर्मामीटर की रीडिंग +10°C या -10°C) पर निर्भर करती है।

पिछले प्रयास एक भारी बैकपैक ले जाने की तरह थे जहाँ हर बार नया सामान जोड़ने पर बैकपैक का आकार बढ़ जाता था। उन्हें ऋणात्मक संख्याओं को संभालने के लिए अतिरिक्त हार्डवेयर या अतिरिक्त चरणों की आवश्यकता होती थी, जिससे सिस्टम भारी और अक्षम हो जाता था।

नया समाधान: एक दो-रंग वाली ट्रिक

इस शोध पत्र के वैज्ञानिकों ने एक नया "प्रकाश कंप्यूटर" चिप बनाया है जो इस समस्या को बहुत ही खूबसूरती से हल करता है। उन्होंने इसे इस प्रकार किया है, यहाँ एक सरल उपमा दी गई है:

समस्या: कल्पना कीजिए कि आप एक शेफ हैं जो सामग्री मिला रहे हैं। आपको "धनात्मक" सामग्री (जैसे चीनी) और "ऋणात्मक" सामग्री (जैसे नमक) को मिलाने की आवश्यकता है ताकि सही स्वाद मिल सके। लेकिन आपके पास ऐसे कटोरे हैं जिनमें केवल चीनी रखी जा सकती है, नमक नहीं।

पुराना तरीका: नमक को संभालने के लिए, आपको नमक के लिए एक दूसरा, अलग रसोईघर बनाना पड़ता था या किसी दूसरे कमरे तक जाने के लिए एक लंबा चक्कर लगाना पड़ता था। इससे रसोई बहुत बड़ी और धीमी हो जाती थी।

नया तरीका (यह शोध पत्र): वैज्ञानिकों ने दो अलग रंगों के प्रकाश (सोचिए कि वे लाल और नीले हैं) का उपयोग करके एक चतुर ट्रिक बनाई।

एन्कोडिंग (Encoding): ऋणात्मक प्रकाश बनाने की कोशिश करने के बजाय, उन्होंने हर संख्या को दो भागों में विभाजित कर दिया: एक "लाल" भाग और एक "नीला" भाग।
- एक धनात्मक संख्या ज्यादातर लाल होती है जिसमें थोड़ा सा नीला रंग होता है।
- एक ऋणात्मक संख्या ज्यादातर नीली होती है जिसमें थोड़ा सा लाल रंग होता है।
साझा मार्ग (The Shared Path): वे दोनों रंगों को एक ही गलियारे (चिप पर एक ही भौतिक पथ) से भेजते हैं।
जादुई फ़िल्टर (The Magic Filter): वे एक विशेष फ़िल्टर (एक "वेटिंग यूनिट") का उपयोग करते हैं जो लाल और नीले प्रकाश के साथ विपरीत व्यवहार करता है। यदि फ़िल्टर लाल प्रकाश को चमकीला बनाता है, तो वह स्वचालित रूप से नीले प्रकाश को धुंधला कर देता है, और इसके विपरीत।
परिणाम: जब वे अंत में लाल और नीले प्रकाश के अंतर को मापते हैं, तो गणित स्वाभाविक रूप से धनात्मक या ऋणात्मक परिणाम की गणना करता है, जिसके लिए दूसरे रसोईघर या लंबे रास्ते की आवश्यकता नहीं होती।

यह एक बड़ी बात क्यों है

अतिरिक्त आकार नहीं: पिछले तरीकों में, यदि आप अधिक गणित करना चाहते थे, तो आपको अधिक हार्डवेयर बनाना पड़ता था। इस नए सिस्टम में, ऋणात्मक संख्याओं को संभालने की "लागत" स्थिर है। चाहे आप एक छोटी गणितीय समस्या कर रहे हों या एक विशाल एक, आवश्यक अतिरिक्त हार्डवेयर समान रहता है। यह एक ऐसे बैकपैक की तरह है जिसका वजन किताबें जोड़ने पर भी नहीं बढ़ता।
अत्यधिक तेज़: उन्होंने जो चिप बनाई है वह थिन-फिल्म लिथियम निओबेट (thin-film lithium niobate) नामक एक विशेष सामग्री से बनी है। यह इतनी तेज़ है कि यह डेटा को प्रति सेकंड 40 अरब बार (40 GHz) की गति से प्रोसेस कर सकती है। यह एक हमिंगबर्ड (hummingbird) के पंखों के फड़फड़ाने की गति से भी तेज़ है।
सटीक: उन्होंने इस सिस्टम का परीक्षण दो प्रसिद्ध एआई चुनौतियों के साथ किया:
1. "मून्स" (Moons) कार्य: एक पहेली जहाँ कंप्यूटर को डेटा बिंदुओं के दो घुमावदार समूहों को अलग करने के लिए एक रेखा खींचनी होती है। लाइट कंप्यूटर ने इसे 95.1% बार सही ढंग से किया।
2. MNIST (हस्तलिखित अंक): हाथ से लिखे नंबरों को पहचानना। सिस्टम ने इसे 91.63% बार सही ढंग से किया, जो कि बेहतरीन इलेक्ट्रॉनिक कंप्यूटरों के बहुत करीब है।

निष्कर्ष

शोधकर्ताओं ने एक छोटा, तेज़ और कुशल प्रकाश-आधारित कंप्यूटर चिप बनाया है जो बिना किसी अतिरिक्त, भारी उपकरण के स्वाभाविक रूप से धनात्मक और ऋणात्मक दोनों संख्याओं को संभाल सकता है। "दो-रंग" वाली ट्रिक का उपयोग करके गणित को विभाजित करके, उन्होंने भविष्य के एआई सिस्टम के लिए मार्ग प्रशस्त किया है जो आज के कंप्यूटरों की तुलना में बहुत अधिक तेज़ और ऊर्जा-कुशल होंगे, और साथ ही कॉम्पैक्ट और स्केलेबल भी रहेंगे।

तकनीकी सारांश: द्वैत-तरंगदैर्ध्य अकोहेरेंट मल्टीप्लेक्सिंग के माध्यम से स्केलेबल नेटिव साइन्ड ऑप्टिकल कंप्यूटिंग

समस्या विवरण
जबकि अकोहेरेंट फोटोनिक न्यूरल नेटवर्क (PNNs), कोहेरेंट आर्किटेक्चर की तुलना में मजबूती और स्केलेबिलिटी लाभ प्रदान करते हैं क्योंकि वे सख्त फेज-स्थिरीकरण आवश्यकताओं को समाप्त करते हैं, वे एक मौलिक सीमा का सामना करते हैं: ऑप्टिकल तीव्रता स्वाभाविक रूप से गैर-ऋणात्मक (non-negative) होती है। इसके परिणामस्वरूप, अधिकांश मौजूदा अकोहेरेंट मल्टीप्लाई-एकम्युलेट (MAC) सिस्टम केवल गैर-ऋणात्मक सिग्नल प्रतिनिधित्व तक ही सीमित हैं। साइन्ड (बाइपोलर) इनपुट और वेट्स (weights) का समर्थन करना—जो आधुनिक मशीन लर्निंग में कुशल अनुकूलन और अभिसरण (convergence) के लिए आवश्यक है—पूर्व में हार्डवेयर-गहन समाधानों जैसे कि स्थानिक रूप से अलग डिफरेंशियल एनकोडिंग, टेम्पोरल मल्टीप्लेक्सिंग, या जटिल नॉनलीनियर ट्रांसफर फंक्शन की मांग करता था। ये दृष्टिकोण आमतौर पर हार्डवेयर ओवरहेड को सिस्टम के आकार के साथ बढ़ाते हैं या अतिरिक्त कंप्यूटिंग चक्रों की आवश्यकता रखते हैं, जिससे बड़े पैमाने के टेंसर ऑपरेशंस के लिए एकीकरण घनत्व और स्केलेबिलिटी सीमित हो जाती है।

कार्यप्रणाली (Methodology)
लेखक एक स्केलेबल, द्वैत-तरंगदैर्ध्य अकोहेरेंट कंप्यूटिंग आर्किटेक्चर का प्रस्ताव करते हैं जिसे थिन-फिल्म लिथियम नियोबेट (TFLN) प्लेटफॉर्म पर कार्यान्वित किया गया है। मुख्य नवाचार एक नेटिव साइन्ड कंप्यूटेशन स्कीम है जो दो स्पेक्ट्रली अलग ऑप्टिकल वाहकों ( $\lambda_1$ और $\lambda_2$ ) का उपयोग करती है जो पूरक (complementary) सिग्नल घटकों को एनकोड करते हैं।

एनकोडिंग तंत्र: एक बाइपोलर इनपुट $X_i \in [-1, 1]$ को दो गैर-ऋणात्मक घटकों, $x_i^+$ और $x_i^-$ में विभाजित किया जाता है, जहाँ $X_i = x_i^+ - x_i^-$ । इन घटकों को हाई-स्पीड इलेक्ट्रो-ऑप्टिक मॉड्यूलेटर के माध्यम से दो अलग-अलग तरंगदैर्ध्य पर एनकोड किया जाता है।
साझा पथ गणना (Shared Path Computation): दोनों तरंगदैर्ध्य चैनलों को एक साझा भौतिक पथ के माध्यम से रूट किया जाता है जिसमें एक अनबैलेंस्ड मैक-ज़ेंडर इंटरफेरोमीटर (MZI) एक तरंगदैर्ध्य मल्टीप्लेक्सर के रूप में कार्य करता है। यह दोनों तरंगदैर्ध्यों को एक साझा वेटिंग यूनिट (एक अन्य अनबैलेंस्ड MZI) की ओर निर्देशित करता है।
पूरक वेटिंग (Complementary Weighting): वेटिंग MZI को इस तरह डिज़ाइन किया गया है कि दो तरंगदैर्ध्यों के लिए ट्रांसमिशन वेट्स, $w_i^+$ और $w_i^-$ , एक पूरक प्रतिक्रिया ( $w_i^+ + w_i^- = 1$ ) प्रदर्शित करते हैं।
डिफरेंशियल डिटेक्शन: वेटिंग MZI के पूरक आउटपुट पोर्ट्स पर ऑप्टिकल इंटेंसिटी के अंतर को लेकर, सिस्टम $(w_i^+ - w_i^-)(x_i^+ - x_i^-) = W_i X_i$ की गणना करता है। यह एक एकल अकोहेरेंट इंटेंसिटी-कंप्यूटिंग फ्रेमवर्क के भीतर वास्तविक फोर-क्वाड्रेंट ऑप्टिकल मल्टीप्लिकेशन को साकार करता है।
कैलिब्रेशन: सिस्टम पूरक तरंगदैर्ध्यों ( $\lambda_1 = 1550$ nm और $\lambda_2 = 1548.4$ nm) की पहचान करने के लिए एक कैलिब्रेशन प्रक्रिया का उपयोग करता है और ट्रांसमिशन इंटेंसिटी को संतुलित करने के लिए लो-फ्रीक्वेंसी ट्राइएंगुलर-वेव मॉड्यूलेशन का उपयोग करता है, जिससे डिफरेंशियल डिटेक्शन के दौरान ऑफसेट त्रुटियों को कम किया जा सके।

मुख्य योगदान

नेटिव साइन्ड आर्किटेक्चर: यह कार्य यह प्रदर्शित करता है कि कैसे बिना वेटिंग यूनिट को डुप्लिकेट किए या कोहेरेंट फेज स्टेबिलाइजेशन की आवश्यकता के बिना, नेटिव रूप से साइन्ड इनपुट और साइन्ड वेट्स का समर्थन करने के लिए एक विधि का उपयोग किया जा सकता है।
स्थिर हार्डवेयर ओवरहेड: पिछले तरीकों के विपरीत, जहाँ हार्डवेयर जटिलता मैट्रिक्स के आकार के साथ बढ़ती है, यह स्पेक्ट्रल मल्टीप्लेक्सिंग रणनीति यह सुनिश्चित करती है कि साइन्ड कंप्यूटेशन के लिए अतिरिक्त हार्डवेयर ओवरहेड प्रत्येक मल्टीप्लाई-एकम्युलेट ऑपरेशन के लिए स्थिर रहता है, चाहे सिस्टम का आयाम कुछ भी हो।
TFLN कार्यान्वयन: आर्किटेक्चर को फोटोलिथोग्राफी-असिस्टेड केमो-मैकेनिकल एचिंग (PLACE) का उपयोग करके एक TFLN प्लेटफॉर्म पर साकार किया गया है, जो कम प्रोपेगेशन लॉस (0.03 dB/cm) और उच्च विनिर्माण एकरूपता प्राप्त करता है।

प्रायोगिक परिणाम

डिवाइस प्रदर्शन: निर्मित मॉड्यूलेटर 40 GHz से अधिक की 3-dB इलेक्ट्रो-ऑप्टिक बैंडविड्थ और 2.25 V·cm का $V_\pi \cdot L$ प्रदर्शित करते हैं। वेटिंग MZI 30 dB से अधिक का एक्सटिंक्शन रेशियो प्राप्त करता है और दो तरंगदैर्ध्य चैनलों के बीच आवश्यक पूरक मॉड्यूलेशन व्यवहार प्रदर्शित करता है।
मल्टीप्लिकेशन फिडेलिटी: रैंडम बाइपोलर इनपुट और वेट्स के साथ डायनेमिक फोर-क्वाड्रेंट ऑप्टिकल मल्टीप्लिकेशन का परीक्षण किया गया। सिस्टम ने मल्टीप्लिकेशन आउटपुट के लिए 1.27% का स्टैंडर्ड डेविएशन एरर प्राप्त किया, और पूरे फोर-क्वाड्रेंट रेंज में कोई महत्वपूर्ण त्रुटि संचय नहीं देखा गया।
सिस्टम-लेवल वैलिडेशन:
- Moons डेटासेट: फोटोनिक सिस्टम ने नॉनलीन "Moons" डेटासेट पर 95.1% वर्गीकरण सटीकता प्राप्त की, जो एक आदर्श इलेक्ट्रॉनिक बेसलाइन की 95.4% सटीकता के बहुत करीब है।
- MNIST डेटासेट: हस्तलिखित अंक पहचान के लिए, सिस्टम ने 91.63% सटीकता प्राप्त की, जो आदर्श इलेक्ट्रॉनिक मॉडल की 92.81% सटीकता के समीप है।
- ट्रेनिंग डायनेमिक्स: संख्यात्मक सिमुलेशन और प्रायोगिक डेटा ने पुष्टि की कि गैर-ऋणात्मक बाधाओं की तुलना में बाइपोलर (जीरो-सेंटर्ड) इनपुट प्रशिक्षण अभिसरण (convergence) और अंतिम सटीकता में काफी सुधार करते हैं।

महत्व और दावे
यह शोध एक व्यावहारिक मार्ग स्थापित करता है जो नेटिव बाइपोलर प्रोसेसिंग करने में सक्षम स्केलेबल अकोहेरेंट फोटोनिक कंप्यूटिंग सिस्टम की ओर ले जाता है। साइन्ड ऑपरेशंस के लिए डुप्लिकेट हार्डवेयर पाथ या जटिल टेम्पोरल एनकोडिंग की आवश्यकता को समाप्त करके, प्रस्तावित आर्किटेक्चर ऑप्टिकल न्यूरल नेटवर्क में स्केलेबिलिटी की एक महत्वपूर्ण बाधा को संबोधित करता है। लेखक दावा करते हैं कि यह दृष्टिकोण, TFLN प्लेटफॉर्म की अल्ट्रा-हाई बैंडविड्थ के साथ मिलकर, भविष्य के बड़े पैमाने के फोटोनिक न्यूरल नेटवर्क के लिए एक कॉम्पैक्ट और मजबूत हार्डवेयर आधार प्रदान करता है। यह कार्य सुझाव देता है कि यह स्पेक्ट्रल एनकोडिंग रणनीति सिस्टम आर्किटेक्चर को मौलिक रूप से बदले बिना या साइन्ड कंप्यूटेशन के लिए प्रति-चैनल हार्डवेयर लागत को बढ़ाए बिना, हाइब्रिड स्पेक्ट्रल और स्पेशल मल्टीप्लेक्सिंग के माध्यम से आगे के स्केलिंग की अनुमति देती है।

नया समाधान: एक दो-रंग वाली ट्रिक

यह एक बड़ी बात क्यों है

निष्कर्ष

इसी तरह के और पेपर