Bilim insanları, hesaplamayı hızlandırmanın yollarını ararken onlarca yıldır ışığın gücüne yöneliyor. Elektrik yerine ışık kullanan fotonik sinir ağları, geleneksel elektronik sistemlere kıyasla daha yüksek hız ve daha düşük enerji tüketimi vadediyor.
Ancak bu teknolojilerin, dijital sinir ağlarıyla kıyaslandığında doğruluk açısından geride kalması önemli bir engel oluşturuyordu. Bunun temel nedeni, mevcut fotonik sistemlerin çoğunun dijital modelleri taklit etmesi ve bu taklit sürecinin yazılımdan donanıma geçişte hatalara yol açmasıydı.
YENİ MİMARİ GELİŞTİRİLDİ
Bu engelleri aşmak için Çin'deki Northwestern Politeknik Üniversitesi ile Güneydoğu Üniversitesi’nden bir araştırma ekibi, dijital modelleri taklit etmeyen devrim niteliğinde bir fotonik sinir ağı geliştirdi. Advanced Photonics Nexus dergisinde yayımlanan bu yeni sistem, bilgi işleme sürecinde matematiksel modellere değil, ışığın fiziksel dönüşümlerine dayanıyor.
Yeni mimari, yalnızca doğruluğu artırmakla kalmıyor, aynı zamanda daha akıllı ve hızlı yapay zeka donanımları için de yeni bir yol açıyor.
FİZİKSEL DÖNÜŞÜM AVANTAJI
Geleneksel fotonik sinir ağlarında, dijital eğitim süreci sonrasında fiziksel cihazlara geçişte modelleme ve üretim kaynaklı hatalar ortaya çıkıyor. Yeni sistem ise bu süreci ortadan kaldırıyor. Araştırma ekibi, ışığı kullanarak bilgiyi doğrudan ve fiziksel olarak işleyen bir "fotonik çoklu sinaps sinir ağı" tasarladı.
Sistem, dijital hesaplamalara başvurmadan, giriş ve gizli katmanları birbirine bağlamak için çok sayıda optik yol kullanıyor. Uzaysal ışık modülatörleri ve kameralarla oluşturulan bu yollar, ışık desenlerini gerçek zamanlı olarak işleyebiliyor.
GÖRÜNTÜ TESTLERİNDE ÜSTÜNLÜK
Yeni sistem, Ekstrem Öğrenme Makinesi (ELM) adlı bir çerçeveye dayanıyor. Giriş görüntüleri çoğaltılıp çeşitli optik yollardan geçirilerek sinaps benzeri bir şekilde gizli katmanlara bağlanıyor. Işık desenleri kameralarla yakalanıp elektrik sinyallerine dönüştürülüyor ve sınıflandırma kararı bu sinyaller üzerinden veriliyor.
Gizli katman nöronları, dijital denklemlerle değil, fiziksel ışık dönüşümleriyle rastgele oluşturuluyor. Bu sayede dijital matematik modellemelerden kaynaklanan hatalar ortadan kalkıyor.
Araştırmacılar sistemi üç tanınmış görüntü sınıflandırma veri kümesinde test etti: MNIST, Fashion-MNIST ve CIFAR-10. Elde edilen sonuçlar, yalnızca dijital sistemleri değil, mevcut donanım tabanlı sinir ağlarını da geride bıraktı. Özellikle karmaşık CIFAR-10 testlerinde yeni sistemin başarısı daha da dikkat çekti.
GELECEĞİN DONANIMLARI İÇİN UMUT
Bu gelişme, fotonik sinir ağlarının dijital sistemlerle aynı kurallara uymak zorunda olmadığını ortaya koyuyor. Bilim insanları, ışığın fiziksel özelliklerinden doğrudan faydalanarak, daha doğru ve daha hızlı yapay zeka sistemleri geliştirme yolunda önemli bir adım attı.
Araştırma, aynı zamanda çoklu sinaptik bağlantıların yapay zeka performansı üzerindeki etkisini de gözler önüne serdi. Bu tür çoklu optik yollar sayesinde sinir ağları, klasik yöntemlerin ötesinde daha yüksek özellik çıkarma yeteneğine sahip oluyor.
Bu başarı, sadece ışık temelli sistemlerle sınırlı kalmayıp, gelecekteki diğer fiziksel yapay zeka donanımları için de yol gösterici olabilir. Çoklu sinaps stratejisi, ileride performans artırımı için standart bir yöntem hâline gelebilir.
FİZİKSEL ZEKA DÖNEMİ
Yapay zekanın akıllı sensörler, otonom araçlar ve giyilebilir teknolojiler gibi alanlarda fiziksel donanımlarla iç içe geçmeye devam etmesiyle, bu tür yenilikler kritik önem kazanıyor. Geliştirilen yeni mimari, yapay zeka donanımlarını daha hızlı, daha verimli ve daha yetenekli hâle getirmede belirleyici bir rol oynayabilir.
