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

Stel je een computer voor die leert zoals een levend brein: niet door een rigide, vooraf geschreven script te volgen, maar door voortdurend zijn eigen verbindingen aan te passen wanneer hij nieuwe informatie tegenkomt. Decennialang hebben wetenschappers geprobeerd machines te bouwen die deze biologische flexibiliteit nabootsen, in de hoop kunstmatige intelligentie te creëren die sneller, efficiënter en in staat is om te opereren in de chaotische, veranderende echte wereld. Traditionele computers, die vertrouwen op digitale schakelaars die ofwel aan of uit staan, worstelen met dit soort continue adaptatie. Ze vereisen vaak een aparte, tijdrovende stap om te leren van fouten voordat ze het opnieuw kunnen proberen. In het domein van lichtgebaseerde computing, bekend als fotonica, hebben onderzoekers chips gebouwd die lichtstralen gebruiken in plaats van elektriciteit om informatie met ongelooflijke snelheden te verwerken. Echter, een grote hindernis bleef bestaan: deze lichtgebaseerde systemen in staat stellen om on the fly te leren, in real time, zonder een trage, externe digitale hersenstructuur nodig te hebben om hen te vertellen hoe ze moeten veranderen.

Een team van onderzoekers heeft nu een werkend prototype gedemonstreerd dat deze kloof overbrugt. Ze hebben een siliciumchip gebouwd die kan leren, adapteren en zichzelf kan corrigeren, volledig binnen het analoge domein van licht, zonder te pauzeren om fouten op een aparte computer te berekenen. Dit systeem, beschreven in een recente studie, vertegenwoordigt een belangrijke stap naar machines die autonoom kunnen opereren in dynamische omgevingen, zoals een zelfrijdende auto die navigeert door plotselinge weersveranderingen of een sensornetwerk dat zich aanpast aan verschuivende temperaturen. Door te bewijzen dat een fotonische processor zijn eigen interne instellingen kan bijwerken terwijl hij actief aan het werk is, hebben de onderzoekers een pad opgebaand naar kunstmatige intelligentie die niet alleen snel is, maar ook veerkrachtig en zelfvoorzienend.

De kern van deze prestatie ligt in een nieuwe manier om de machine te onderwijzen. In de meeste huidige systemen voert de computer een taak uit, controleert het resultaat, berekent de fout en werkt vervolgens de instellingen bij. Dit is een tweestaps-proces dat een vertraging creëert. Het nieuwe systeem leert echter terwijl het werkt. Het gebruikt een methode genaamd multiplexed gradient descent, wat complex klinkt maar functioneert volgens een simpel principe van trial-and-error. De chip maakt minuscule, snelle aanpassingen aan zijn interne instellingen, ook wel gewichten genoemd, en meet onmiddellijk hoe die veranderingen het eindresultaat beïnvloeden. Als een kleine aanpassing de uitkomst verbetert, houdt de chip die richting aan; als het de situatie verslechtert, draait de chip terug. Cruciaal is dat de chip dit doet door fysiek de lichtoutput te meten om het effect van zijn eigen veranderingen te zien, in plaats van te vertrouien op een digitale simulatie om uit te rekenen hoe het zit. Dit maakt het mogelijk dat het leren en het uitvoeren van de taak op exact hetzelfde moment plaatsvinden.

Om dit idee te testen, bouwden de onderzoekers een monolithische geïntegreerde fotonische processor. Dit is een enkele chip gemaakt van silicium, vervaardigd met standaard industriële technieken, die kleine ringen bevat die licht vangen en geleiden. Deze ringen fungeren als de aanpasbare gewichten van het neurale netwerk. Het team voerde gegevens in de chip via verschillende kleuren licht, waarbij elke kleur een stukje informatie draagt. Terwijl het licht door de ringen reisde, paste het systeem de eigenschappen van de ringen aan om een berekening uit te voren. Om het systeem te trainen, brachten ze kleine, willekeurige trillingen aan de ringen aan en observeerden hoe de lichtoutput veranderde. Door deze veranderingen te observeren, kon de chip precies bepalen hoe hij zijn instellingen moest aanpassen om een beter antwoord te krijgen. Dit proces vond volledig plaats in de analoge wereld van licht en warmte, waardoor de noodzaak voor complexe digitale berekeningen die normaal gesproken de boel vertragen, werd omzeild.

De resultaten waren opmerkelijk. Het systeem slaagde erin om gegevens te classificeren en onderscheid te maken tussen verschillende patronen met een hoge nauwkeurigheid. Belangrijker nog, het demonstreerde het vermogen om zich aan te passen aan veranderingen in zijn omgeving zonder menselijke tussenkomst. In één experiment veranderden de onderzoekers de regels van het spel terwijl de chip aan het werk was. Ze vroegen het systeem om gegevens te sorteren op basis van een lijn die door verschillende hoeken roteert. Elke paar minuten verschoof de hoek. In plaats van te falen of te moeten worden geprogrammeerd, detecteerde de chip de verandering snel, paste zijn interne gewichten aan en hervatte het correct sorteren van de gegevens binnen slechts enkele seconden. Hij herstelde zijn hoge niveau van nauwkeurigheid bijna onmiddellijk na elke verschuiving, wat bewees dat hij bewegende doelen in real time kan volgen.

De onderzoekers testten ook de veerkracht van het systeem tegen fysieke verstoringen, een veelvoorkomend probleem voor delicate optische apparaten. Fotonische chips zijn vaak gevoelig voor temperatuur; zelfs een lichte stijging in hitte kan de lichtpaden vervormen en de berekening ruïneren. In een gecontroleerde test varieerde het team de temperatuur van de chip met enkele graden, om de fluctuaties te simuleren die een apparaat in de echte wereld zou kunnen ervaren. Naarmate de temperatuur steeg, nam de prestatie van de chip aanvankelijk af. Echter, omdat het systeem constant leert, merkte het de daling in kwaliteit op en paste het automatisch zijn instellingen aan om de hitte te compenseren. Het herstelde de nauwkeurigheid naar het vorige niveau, waardoor het zichzelf effectief genas van de omgevingsstress. Deze zelfcorrectie gebeurde continu, waardoor het apparaat een stabiele werking kon behouden, zelfs wanneer de omstandigheden eromheen veranderden.

Om te begrijpen hoe deze technologie kan opschalen naar complexere taken, creëerden de onderzoekers een digitale tweeling van hun systeem. Dit was een virtueel model dat een veel groter netwerk met veel meer lagen verbindingen simuleerde. Ze gebruikten dit model om een uitdagende classificatietaak te testen die een vorm betreft die lijkt op een yin-yang symbool, een probleem dat vereist dat het systeem complexe, niet-lineaire grenzen begrijpt. De simulatie toonde aan dat het systeem, zelfs met de imperfecties en ruis die inherent zijn aan echte hardware, een hoge nauwkeurigheid kon bereiken. Het virtuele model bevestigde dat de methode die in de kleine, fysieke chip werd gebruikt, ook voor veel grotere, meer geavanceerde netwerken zou kunnen werken, wat suggereert dat de aanpak niet beperkt is tot eenvoudige experimenten.

De snelheid en efficiëntie van deze nieuwe aanpak zijn opmerkelijk. De fysieke chip is ongelooflijk snel, waarbij licht er in slechts enkele picoseconden doorheen reist, een biljardste van een seconde. Hoewel de huidige versie van de chip warmte gebruikt om de gewichten aan te passen, wat een fractie van een seconde duurt om te stabiliseren, merkten de onderzoekers op dat toekomstige versies elektrische signalen kunnen gebruiken om deze aanpassingen nog sneller te maken, wat het leerproces potentieel duizend keer kan versnellen. Het energieverbruik is ook opvallend laag; het hele systeem, inclus inclusief de elektronica die nodig is om de resultaten te lezen, verbruikt minder stroom dan een kleine gloeilamp. Deze combinatie van snelheid en laag energieverbruik suggereert dat dergelijke chips ooit apparaten kunnen voeden die beslissingen in een fractie van een seconde moeten nemen zonder een batterij leeg te trekken.

Dit werk beweert niet elk probleem in kunstmatige intelligentie te hebben opgelost, maar het pakt een specifieke en cruciale bottleneck aan: het onvermogen van hardware om continu en adaptief te leren in real time. Door het leerproces rechtstreeks in de hardware te brengen en in het analoge domein te houden, hebben de onderzoekers de vertragingen en energiekosten geëlimineerd die gepaard gaan met digitale verwerking. Het systeem is robuust tegen de ruis en imperfecties die dergelijke delicate apparaten gewoonlijk teisteren, en het kan omgaan met de onvoorspelbaarheid van de echte wereld. De studie biedt een concrete demonstratie dat machines gebouwd kunnen worden om te leren terwijl ze werken, waarbij ze hun eigen interne logica aanpassen om aan te sluiten bij een veranderende omgeving. Deze capaciteit opent de deur naar een nieuwe generatie intelligente systemen die niet alleen snel zijn, maar ook flexibel en zelfvoorzienend, in staat om te opereren in de dynamische omstandigheden waarin traditionele computers vaak moeite hebben.