تمكنت جامعة كورنيل من تطوير شريحة "دماغ الميكروويف" التي تعالج البيانات فائقة السرعة وإشارات الاتصالات اللاسلكية في وقت واحد، محققة دقة 75% عند 176 ميلي واط من الطاقة.
تُعيد تطبيقات النطاق الترددي العالي تشكيل نسيج المجتمع الحديث بطرق خفية لكنها عميقة، إذ تبني "شبكة خفية" من العمليات الفعالة عبر قطاعات متنوعة، بما في ذلك الاقتصاد الرقمي، والخدمات العامة، والتحديثات الصناعية. من التسوق عبر الحدود بلمسة بسيطة إلى الألعاب السحابية الغامرة، تعتمد هذه التجارب اليومية التي تبدو عادية على الدعم القوي لمراكز البيانات عالية السرعة - والنطاق الترددي العالي هو مفتاح ضمان كفاءة تشغيلها.
مع ذلك، تزداد تكلفة الحوسبة عالية الأداء المطلوبة لتطبيقات النطاق الترددي العالي. وتُقيّد فيزياء أشباه الموصلات وحدود الطاقة معدلات أخذ العينات والمعالجة المطلوبة. ونتيجةً لذلك، تزيد المعدلات المرتفعة الضغط على استهلاك الطاقة وتبديد الحرارة. على سبيل المثال، في سلاسل معالجة الإشارات الإلكترونية التقليدية المستخدمة في مراكز البيانات، يجب توقيت الإشارات وأخذ عينات منها بدقة أثناء انتقالها عبر وسائط فاقدة للبيانات. ثم تُستخدم دوائر مزامنة معقدة لإعادة بناء الإرسال واستعادة سلامته لضمان دقة التوصيل إلى العقدة التالية. تعتمد هذه العملية على معالجة متوازية مكثفة ومستهلكة للطاقة، مما يُشكّل عقبة حرجة تُعيق تحسينات الكفاءة.
توفر تقنية التعلم العميق اتجاهات استكشاف جديدة لتطبيقات النطاق الترددي العالي.ومع ذلك، فإن الحلول الحالية التي تجمع بين نماذج الحوسبة التناظرية والتعلم العميق تستهدف بشكل عام فقط التطبيقات ذات النطاق الترددي المنخفض مثل الصور أو الصوت أو الإيماءات.على الرغم من تطوير رقائق الفوتون الميكروويف المصممة للنطاق الترددي العالي، إلا أنها تقتصر على عدد قليل من وظائف البيانات الثابتة ولديها مشاكل مثل الحجم الكبير وكفاءة الطاقة المنخفضة.
لمعالجة هذه المعضلة، اقترح فريق من جامعة كورنيل شبكة عصبية ميكروويفية (MNN)، وهي دائرة متكاملة يمكنها معالجة البيانات فائقة السرعة وإشارات الاتصالات اللاسلكية في آنٍ واحد. تعالج الشبكات العصبية الميكروويفية المكونات الطيفية من خلال التقاط خصائص بيانات الإدخال قليلة المعلومات ولكن ذات نطاق ترددي واسع.تتمثل ميزتها في قدرتها على معالجة الإشارات التي تمتد على عدة جيجاهرتز (GHz) بطريقة قابلة للبرمجة مع الحاجة فقط إلى التحكم في السرعة المنخفضة في نطاق الميجا هرتز (MHz).ثم يُستغلّ اللاخطية القوية في تذبذبات الموجات الميكروية المقترنة للتعبير عن النتائج المحسوبة في طيف ضيق لتسهيل القراءة الإلكترونية. وفي مرحلة ما بعد المعالجة، يُمكن ربط هذه النتائج بمخرجات ثنائية باستخدام نموذج انحدار خطي.
علاوة على ذلك، تتميز MNN بقدرات تكامل لا مثيل لها. صُنعت باستخدام تقنية أشباه الموصلات المعدنية التكميلية القياسية (CMOS)، وتشغل مساحة شريحة لا تتجاوز 0.088 مم²، وتستهلك طاقة أقل من 200 ميلي واط، مما يتيح دمجها مباشرةً في المعالجات التناظرية متعددة الاستخدامات.
وقد نُشرت نتائج البحث ذات الصلة في مجلة Nature Electronics تحت عنوان "شبكة عصبية ميكروويف متكاملة للحوسبة والاتصالات ذات النطاق العريض".
أبرز الأبحاث:
* بحث وتطوير وتصنيع أول دائرة متكاملة منخفضة الطاقة يمكنها معالجة البيانات فائقة السرعة وإشارات الاتصالات اللاسلكية في وقت واحد، مخترقة إطار الدائرة الرقمية التقليدية واستخدام مبادئ فيزياء الميكروويف لتحقيق الحوسبة
على عكس الشبكات العصبية التقليدية التي تعتمد على الساعات الرقمية، تستخدم الشبكات العصبية المتعددة سلوكًا تناظريًا غير خطي عند ترددات الميكروويف، ويمكنها معالجة تدفقات البيانات بعشرات الجيجاهيرتز، وتستهلك أقل من 200 ميلي واط من الطاقة، وتتمتع بدقة 88%.
* مجموعة واسعة من سيناريوهات التطبيق، تغطي تتبع الرادار، والأجهزة الذكية المحمولة (مثل الساعات الذكية) وغيرها من المجالات المتنوعة، مما يوفر حلولاً منخفضة الطاقة وعالية الأداء وخفيفة الوزن لتطبيقات النطاق الترددي العالي
عنوان الورقة:
قم بمتابعة الحساب الرسمي ورد "Microwave Neural Network" للحصول على ملف PDF كامل
مزيد من أوراق البحث الرائدة في مجال الذكاء الاصطناعي:
إنشاء بيانات التدريب: مصممة خصيصًا لمهام متعددة
في تدريب المحاكاة الرقمية الخلفية، تحتوي البيانات الطيفية الصادرة عن الشبكة العصبية المتعددة على معلومات مُستخرجة من المُدخل الأصلي، بدلاً من مُخرج رقمي مباشر. ولتحقيق ذلك، استخدم الباحثون نموذج انحدار خطي لمعالجة 625 ترددًا مُقاسًا ضمن نطاق ترددي مُنخفض، وربطوا هذه الخصائص بالمُخرجات النهائية.
بعد ذلك، وللحصول على تدفق البتات المُعَلَّم الأمثل، اختار الباحثون تدفقات بتات مُعَلَّمة عشوائيًا وشغَّلوها في التجربة، ليختاروا في النهاية الخيار الذي يُحقق أفضل أداء/دقة تحقق لكل مهمة. فيما يلي إعداد البيانات لتحسين وتقييم مهام مُحددة:
* من حيث البحث الخطي ومحاكاة الخوارزمية الشرطية،يحتوي كل تيار بتات مُعَلَّم على مجموعة بيانات مكونة من 500 تسلسل 32 بت مُولَّد عشوائيًا. في عملية تحقق متبادلة عشرية، قُسِّمت مجموعة البيانات إلى 10 أجزاء، حيث استُخدمت 9 أجزاء بالتناوب للتدريب وجزء واحد للتحقق. استُخدمت آلة متجه الدعم الخطي (SVM) من حزمة برامج sklearn بحد أقصى 5000 تكرار، ودالة خسارة مفصلية مربعة، ومعامل تسوية C=0.02. أُجري الاختبار على 40 تيار بتات مُعَلَّم.
* عدد البتات،على غرار البحث الخطي، ولكن بحد أقصى 10000 تكرار ومسح فائق للمعلمات C من 0.02 إلى 0.22، إنشاء مهمة تصنيف مكونة من 32 فئة مع تسميات من مجموعة بيانات البحث الخطي.
* من حيث عمليات البت الأساسية (AND NOT وXOR وNOR)،تم تركيب نموذج خطي عبر انحدار التدرج العشوائي بخسارة لوجستية وقوة تنظيم L1 تساوي 0.3. تتكون مجموعة البيانات من 500 تسلسل مُولّد عشوائيًا، كل تسلسل 32 بت، منها 16 بتًا ذات تسمية ثابتة. باستخدام التحقق المتبادل عشر مرات، كانت المهمة هي إجراء تصنيف متعدد التسمية لكل بت إخراج واختباره على 120 تيار بت ذي معلمات.
* من حيث تصنيف الترميز،استُخدمت مجموعة بيانات RadioML2016.10A، وقُسِّمت إلى مجموعتي تدريب وتحقق بنسبة 8:2. دُرِّب نموذج خطي أحادي الطبقة باستخدام PyTorch باستخدام فقدان الإنتروبيا المتقاطعة، ثم حُسِّن لـ 150 حقبة باستخدام AdamW (معدل التعلم 0.05، وتناقص الوزن 0.03، وحجم الدفعة 128، وعامل التناقص 0.98). أثناء التدريب، حُدِّدت البيانات بضوضاء غاوسية (انحراف معياري 0.01)، واختُبِرت على 13 تيار بت ذي معلمات.
في تقييم مهمة رادار MNN، استخدم الباحثون بنية خلفية لشبكة عصبية رقمية للتنبؤ بأنماط طيران الأهداف. وفّرت كل عملية التقاط طيفًا عريض النطاق بتردد 2 جيجاهرتز. كان مُدخل كل سيناريو (L, S)، حيث L = 1000 عملية التقاط (الفترة الزمنية الإجمالية التي تغطي السيناريو)، وS هو حجم الطيف. ثم استخدم الباحثون بنية ResNet عميقة لمعالجة بيانات طيف مخرجات MNN مباشرةً.
تتكون شبكة ResNet من طبقة تجميع مزدوجة لتخفيض العينات، وفرع متبقي بطبقتين ملتويتين (حجم النواة 3). تُستخدم التطبيعات الدفعية، وتنشيط الوحدة الخطية المصححة، وتسوية التسرب العشوائي بين عمليات الالتفاف.
لتدريب النموذج، جمع الباحثون بين بحث تدفق البتات وشبكة عصبية خلفية مُدرَّبة على مخرجات تجريبية لإنتاج نتائج التصنيف المطلوبة. اختار الباحثون تدفقات البتات ذات الدقة الأعلى في مهمة عد الكائنات، وجمعوا بيانات تجريبية من 500 سيناريو طيران لتدريب النموذج النهائي. لتدريب الواجهة الخلفية، حسّن الباحثون النموذج باستخدام فقدان الإنتروبيا المتقاطعة، وفقدان الإنتروبيا المتقاطعة الثنائية، وخسارة متوسط مربع الخطأ.
وأخيرًا، لتحسين أداء التعميم، استخدم الباحثون زيادة البيانات، والتي شملت الإزاحة العشوائية، والتحيز العشوائي، والضوضاء العشوائية، والإخفاء العشوائي. طُبّقت جميع عمليات الزيادة على كل عينة باحتمالية 20%.
هندسة النماذج والأساليب: الحوسبة اللحظية عبر الأنظمة غير الخطية
يوضح الشكل أدناه البنية العامة لشريحة MNN. وبصفتها دائرة متكاملة خفيفة الوزن ومنخفضة الطاقة، قادرة على معالجة البيانات فائقة السرعة وإشارات الاتصالات اللاسلكية، يُطلق عليها فريق البحث اسم "نظام حوسبة مُحاكي للدماغ".يتكون قلبها من موجه غير خطي (مُشار إليه بـ A) وثلاثة موجهات خطية (مُشار إليها بـ B وC وD على التوالي)، بالإضافة إلى وحدة مكسب (مُشار إليها بـ E) ومُقترن (مُشار إليه بـ F).
على وجه التحديد، الشبكة العصبية متعددة الترددات (MNN) هي نظام غير خطي (انظر الشكل أدناه للاطلاع على آلية عملها). تُحقن إشارات جيجاهيرتز عبر أدلة الموجات GSGSG (أرضي-إشارة-أرضي-إشارة-أرضي). ثم يقوم مُقرن هجين مُربعي مُصغّر، مُصنَّع من طبقتين معدنيتين مُتداخلتين، بتوزيع طاقة إشارات الدخل هذه على الأدلة الموجية الفردية. ثم تُنعكس هذه الأجزاء الصغيرة من إشارة التشغيل من الأدلة الموجية وتُضاف إلى منفذ خرج المُقرن قبل استخلاصها عبر مجموعة أخرى من أدلة الموجات GSGSG.
من بينها، يتأثر تردد الموجة غير الخطية بشكل كبير بسعة ومرحلة إشارة محرك الميكروويف الواردة؛ لا يتأثر الموجة الخطية بها ويوفر وضع رنين مستقر.
المصدر الرئيسي الحساس للمدخلات هو الرنانات غير الخطية المقترنة بالتتابع ضمن الدليل الموجي A. تتكون هذه الرنانات من مزيج من المكثفات والمحاثات غير الخطية. تُستخدم الثنائيات المتعاكسة لتوليد سعة ذات لاخطية متعددة الحدود، والتي تتأثر درجتها بجهد الانحياز وقوة إشارة الموجات الميكروية. الدليل الموجي الخطي هو خط نقل قابل للتعديل الطول. تسمح المفاتيح المثبتة على طوله بتعديل طول مسار عودة إشارة الموجات الميكروية دون إحداث أي تشويه.
والأهم من ذلك،يتم تحقيق الاقتران البارامتري (المتغير مع الزمن) من خلال زوج من المفاتيح (Spar) متصل بين الموجهات الموجية المزدوجة. تتكون هذه المفاتيح من ترانزستورات شبه موصلة من أكسيد معدني من النوع N (NMOS).يتم التحكم في المفاتيح بواسطة تدفق بتات يعمل بسرعة تعادل جزءًا من مئة من سرعة بيانات الإدخال (150 ميجابت/ثانية)، ويُنقل عبر موجه GSGSG ثالث. يُعد هذا التسلسل من اقتران معلمات التشغيل والإيقاف أساسيًا لإعادة برمجة أنماط الشبكة العصبية ديناميكيًا لمختلف المهام الحسابية.
أخيرًا، للحفاظ على عدم الخطية في الدائرة الناتجة عن نقل الموجات الدقيقة عالية السعة، يتم التحقيق في زوج ترانزستور متقاطع باستخدام ترانزستورات NMOS في مرحلة مكبر الطاقة بأكسيد البوابة الرقيقة لتوفير مكسب تشبع متجدد.
يختلف هذا التصميم عن مذبذبات CMOS التقليدية، ودوائر شحذ النبضات المعقدة للتحليل الطيفي، والتصميمات التي تولد أمشاط النطاق الضيق من خلال الرنانات عالية الجودة المقترنة بشكل سلبي.ويستخدم تكنولوجيا CMOS التجارية، مما يعرض الموجهات الموجية المقترنة عمدًا لموجات الميكروويف المدخلة، ويستفيد من عدم الخطية وعدم التماثل داخل الرنان لتحقيق حسابات فورية تقريبًا.
الإعداد التجريبي والنتائج: يمكن أن تصل أعلى دقة تصنيف إلى 88%، مع استهلاك طاقة أقل من 200 ميغاواط
في التجربة،اعتقد الباحثون أن تبسيط الدوائر إلى مكوناتها الأساسية قد يكون مفيدًا.وبالتالي، من خلال جعل الموجة الموجهة الخطية مضبوطة بشكل كبير على تردد التذبذب الاسمي للموجة الموجهة A، يتم تقليل عدد معلمات الدائرة الفيزيائية.
في نمذجة الديناميكيات غير الخطية في الشبكات العصبية متعددة النواة، استخدم الباحثون نظرية الوضع المقترن المعممة لتبسيط تحليل دوائر الشبكات العصبية متعددة النواة، واختزالها إلى نموذج الوضع المقترن. يُبسط الرنان الخطي إلى دائرة خزان LC، حيث يُغيّر تردده الطبيعي بتعديل طول خط النقل باستخدام مفاتيح. يتكون الدليل الموجي غير الخطي من مكثفات غير خطية متعددة الحدود. تُعوّض الفقدان في الدائرة بواسطة عناصر كسب مشبعة تُنفّذ بواسطة أزواج ترانزستورات مقترنة تقاطعيًا، مع اقتران متغير مع الزمن.
وبعد ذلك تم تبسيط المعلمات التجريبية بشكل أكبر.يركز هذا البحث على تفاعل الرنينات الموزعة غير الخطية والرنانات الخطية، حيث يتم تمثيل المفاتيح المدفوعة بارامتريًا كمكثفات قابلة للضبط.تُمثَّل الديناميكيات غير الخطية للدائرة المُبسَّطة بمجموعة من الأنماط المُقترنة، بما في ذلك الاقتران بين الرنان غير الخطي والرنان الخطي، والخسائر الداخلية، والتفاعل مع مُحرِّك الإدخال. تتأثر هذه الديناميكيات بالظروف الابتدائية لجهد التحيز غير الخطي، ومُحرِّك الموجات الدقيقة، وتيار بتات المعاملات البطيئة.
لمحاكاة الدوائر وتصميمها، صمم الباحثون وحاكوا شريحة CMOS باستخدام نموذج ترانزستور قائم على عملية 45 نانومتر من GlobalFoundries للسيليكون على العازل RF في بيئة Cadence Virtuoso. واستخدموا أداة Calibre من Siemens لاستخراج المقاومة الطفيلية والسعة، وأداة 2.5D EMX الكهرومغناطيسية لمحاكاة تصميم الموجهات الموجية والموصلات وخطوط النقل لنمذجة أداء الترددات العالية بدقة.
في مهمة محاكاة الإشارات الرقمية عالية السرعة باستخدام دوائر الميكروويف، فإن الإشارات الرقمية بمعدل جيجابت والمكونة من إشارات الموجة المربعة هي في الأساس إشارات تناظرية ذات طيف يمتد عشرات الجيجا هرتز.لقد ثبت أن MNN يمكنها استغلال خصائص دوائر الميكروويف لإجراء العمليات الحسابية مباشرة في مجال التردد.يتناقض هذا تمامًا مع الأجهزة الرقمية التقليدية التي تعمل في نطاق زمني. عند معالجة الإشارات، تعرض الشبكات العصبية متعددة الخلايا مخرجاتها في نطاق ترددي ضيق بأنماط تذبذب محددة. هذا يُلغي الحاجة إلى الحفاظ على سلامة الإشارة بدقة في نطاق زمني، ويسمح لها بالتقاط خصائص من نطاق ترددي واسع لإشارة الدخل، مما يُقلل من عدد الخصائص المضغوطة اللازمة لتدريب شبكة عصبية رقمية أحادية الطبقة.
يوضح الشكل أدناه محاكاةً للحوسبة الرقمية فائقة السرعة دون الاعتماد على دوائر CMOS الرقمية ثابتة الوظيفة. يتم إدخال تدفق بتات 32 بت بسرعة 150 ميجابت/ثانية، ويستجيب الرنين غير الخطي بسرعة، ويسجل محلل الطيف الناتج ويحسب متوسطه لضمان تحويلات فورييه موثوقة. تركز خصائص الحوسبة على نطاق 10-14 جيجاهرتز (المقابل لترددات النطاقين X وKu لاتصالات الأقمار الصناعية).
تُظهر النتائج أن تعديل محتوى تدفق بتات ذي معلمات 32 بت بسرعة 150 ميجابت/ثانية، واستخراج خصائص طيفية محددة، يمكن أن يُنتج نتائج صحيحة لعمليات المنطق الرقمي، مثل عمليات NAND ذات 8 بتات، حيث تصل أفضل دقة مُقاسة إلى حوالي 85% على الرغم من وجود كابلات نقل مُفقِدة للبيانات. علاوة على ذلك، حقق عداد إجمالي (دائرة تحسب عدد 1 في تدفق بتات الإدخال) مُكوّن من مئات البوابات المنطقية دقة 81% في مجموعة التحقق من الصحة، وذلك من خلال محاكاة هذا السلوك باستخدام تدفق بتات ذي معلمات، ورسم خريطة للمخرجات عبر طبقة خطية.وهذا يوضح أن قدرتها على الحوسبة لا تنخفض بشكل كبير بسبب زيادة تعقيد الدائرة الرقمية المكافئة.
بالإضافة إلى ذلك، ثبت أن MNN تقوم بإجراء بحث تسلسل بت في تدفقات البيانات بسرعة 10 جيجابت/ثانية بدقة عالية جدًا، مما يوفر بديلاً لتكنولوجيا الكشف عن تسلسل الاحتمالية القصوى عالية الطاقة (MLSD) المستخدمة في الاتصالات التقليدية.وفي الوقت نفسه، من خلال الجمع بين وظائف البحث والوظائف التقنية، نجحت MNN في محاكاة خوارزمية مشروطة وتحقيق دقة 75% مع الحفاظ على استهلاك الطاقة أقل من 200 ميغاواط (176 ميغاواط).
في مهام كشف الأهداف الرادارية، وجد الباحثون أن قدرة الشبكة العصبية متعددة الموجات (MNN) على اكتشاف التغيرات الطفيفة في التردد مناسبة تمامًا لتطبيقات الرادار عريض النطاق. حاكت هذه الدراسة سيناريو جويًا لطائرات متعددة تحلق على مسارات متعددة الأضلاع. سُجلت إشارات انعكاس الرادار وحُوِّلت إلى أشكال موجية للجهد التناظري. ثم عُدِّلت الموجات المربعة عند ترددها المركزي وأُدخلت إلى الشبكة العصبية متعددة الموجات. استُخرج متوسط استجابة الخرج ضمن نطاق التردد 8-10 جيجاهرتز، واستُخدمت الواجهة الخلفية للشبكة العصبية الرقمية لاستنتاج مسار الرحلة. كما هو موضح في الشكل أدناه:
أظهرت النتائج أنه بعد محاكاة 500 سيناريو طيران، وُجد أن الشبكات العصبية الاصطناعية (MNN) قادرة على تعلم أنماط الطيران من خلال تكوين استجابات مختلفة لتغيرات التردد الملتقطة على مدى فترة زمنية طويلة، وبالتالي تحديد نمط طيران الهدف. لا تقتصر قدرة الشبكات العصبية الاصطناعية على التنبؤ بعدد الأهداف الديناميكية، وعزل حركة الهدف المحددة، وتقدير سرعته فحسب،ويمكنه أيضًا التعرف على مجموعة متنوعة من مسارات الطيران المتعددة الأضلاع وتحقيق درجات F1 عالية في السيناريوهات التي تحتوي على أعداد مختلفة من الطائرات.
في مهمة تصنيف الإشارات اللاسلكية، اختبر الباحثون قدرة الشبكة العصبية متعددة الترددات (MNN) على معالجة الإشارات ذات التردد الأدنى، مستكشفين تطبيقاتها في تحديد مخططات ترميز الاتصالات اللاسلكية. استخدمت التجربة مجموعة بيانات RadioML2016.10A، التي تتضمن 11 نوعًا من التعديل (9 أنواع رقمية و2 تناظرية). عدّلت إشارات نطاق أساسي مختلفة موجة حاملة بتردد 50 ميجاهرتز، ثم غُذّيت في الشبكة العصبية متعددة الترددات. استخدمت الشبكة حساسيتها لتحويل التحويلات العابرة لإشارة التوجيه منخفضة التردد إلى سمات قابلة للملاحظة. استُخرجت السمات في نطاق 8-8.5 جيجاهرتز لتدريب الطبقة الخطية الخلفية.
تظهر النتائج أن بعض المعلمات يمكن أن تمكن MNN من تحقيق دقة عالية جدًا في مهام تصنيف التعديل، ويمكن أن تصل دقة مهام تصنيف الإشارة اللاسلكية إلى 88%، وهو ما يمكن مقارنته بالشبكات العصبية الرقمية.يُظهر هذا أن MNN يمكن أن تلعب دورًا مهمًا كمسرع للتعلم العميق في الحوسبة الحافة، وليس هذا فحسب، بل يمكنها أيضًا تقليل حجم النموذج بشكل كبير.
التعلم العميق والحوسبة التناظرية لديهما إمكانات كبيرة
كما ذُكر في البداية، فتح التطور المستمر لتقنية التعلم العميق آفاقًا جديدة لتطبيقات النطاق الترددي العالي. قبل هذه الدراسة، كانت العديد من المؤسسات قد استكشفت هذا المجال ونشرت العديد من نتائج الأبحاث. وقد أرست هذه الإنجازات الأساس النظري والعملي للتطور والابتكار المستمرين في دمج الحوسبة التناظرية والتعلم العميق.
على سبيل المثال، اقترحت الورقة البحثية "معالجة إشارات الميكروويف باستخدام حاسوب خزان كمي تناظري" التي نشرها فريق مشترك من جامعة كورنيل وفريق من جامعة ماريلاند أنمحاكاة مستمرة للديناميكيات الكمومية غير الخطية باستخدام دوائر الميكروويف الفائقة التوصيل كخزانات كمية،تستطيع هذه الطريقة معالجة إشارات دخل الموجات الدقيقة التناظرية مباشرةً دون تقطيع، ويسمح نظام المتغير المستمر للخزان الكمي بالوصول إلى فضاء هيلبرت أكبر. وخلافًا للتجارب السابقة القائمة على الدوائر الكمومية الرقمية، تستطيع هذه الطريقة استقبال إشارات الموجات الدقيقة التناظرية الضعيفة مباشرةً واستخراج خصائصها، متجاوزةً بذلك اختناق الإدخال.
عنوان الورقة:
https://www.nature.com/articles/s41467-024-51161-8
ومن الأمثلة الأخرى دراسة بعنوان "المعالجة ذات الأبعاد الأعلى باستخدام نواة موتر فوتونية مع بيانات زمنية مستمرة"، نشرتها فرق مشتركة من جامعة أكسفورد وجامعة مونستر وجامعة إكستر.ومن بينها، تم اقتراح طريقة لاستخدام تمثيل البيانات في الوقت المستمر لتطوير ثلاث درجات من الحرية: الفضاء، والطول الموجي، والتردد الراديوي، وتحقيق حساب ضرب المصفوفة والمتجه (MVM) لمدخلات المصفوفة ثلاثية الأبعاد.تُنجز حوسبة الذاكرة الفوتونية من خلال نواة موتر فوتونية مُتحكم بها كهروضوئيًا وذاكرة مصنوعة من مادة متغيرة الطور غير متطايرة وقابلة لإعادة التشكيل. يصل توازي النظام إلى 100، وهو أعلى بدرجتين من حيث الحجم من التطبيق السابق الذي استخدم درجتين فقط من الحرية، مما يُؤكد إمكانية إضافة درجات حرية الترددات الراديوية إلى حوسبة الذاكرة الفوتونية.
عنوان الورقة:
https://www.nature.com/articles/s41566-023-01313-x
تعمل الشبكة العصبية المتعددة التي اقترحتها جامعة كورنيل على تعزيز تكامل الحوسبة التناظرية والتعلم العميق في سيناريوهات النطاق الترددي العالي.ولا يعتمد على الساعات الرقمية ويستخدم مبادئ فيزياء الموجات الدقيقة لتحقيق معالجة الإشارات فائقة السرعة.إنها لا تتغلب فقط على قيود الدوائر الرقمية التقليدية من حيث استهلاك الطاقة وعرض النطاق الترددي، بل تُظهر أيضًا إمكانات الحوسبة التناظرية في المهام المعقدة. من تتبع مسارات الرادار إلى تصنيف الإشارات اللاسلكية، تُقدم الشبكات العصبية المتعددة، بمزاياها المتمثلة في انخفاض استهلاك الطاقة وصغر الحجم، نموذجًا جديدًا للحوسبة الطرفية والاتصالات عالية السرعة وغيرها من المجالات.
وفي المستقبل، مع تطوير تقنيات مثل تعديل المعلمات الديناميكية والتدريب المشترك الشامل، من المتوقع أن يؤدي دمج الحوسبة التناظرية والتعلم العميق إلى اختراق المزيد من الاختناقات في النطاق الترددي والكفاءة، مما يفتح مساحة تطبيق أوسع للمجالات المتطورة مثل معالجة البيانات فائقة السرعة واتصالات الموجات المليمترية.احصل على أوراق بحثية عالية الجودة ومقالات تفسيرية متعمقة في مجال AI4S من عام 2023 إلى عام 2024 بنقرة واحدة⬇️
