Yüz tanımadan çeviri uygulamalarına, üretimden güvenliğe kadar sayısız alanda omurga haline gelen yapay zeka, devasa işlem gücü ve elektrik talebi nedeniyle verimlilik/sürdürülebilirlik ikilemi yaratıyor. Florida Üniversitesi’nden bir araştırma ekibi, bu darboğaza hibrit bir yaklaşımla yanıt veriyor: makine öğreniminin en masraflı adımlarından evrişim (convolution) işlemlerini yalnızca elektronik devrelerle değil, ışığın fiziğinden yararlanarak gerçekleştiren yeni bir fotonik- elektronik çip.
IŞIKLA EVRİŞİM HESABI
Proje ekibi, lazer ışığını ve mikrometre ölçeğinde yapılandırılmış Fresnel merceklerini doğrudan bir silikon kalıp üzerine entegre etti. Böylece, görüntü/video/metin verilerinde desen yakalama için kritik olan evrişimler, elektrik yerine ışığın doğrusal optik dönüşümleriyle işleniyor; sonuçlar çip üzerinde yeniden dijital sinyale çevrilerek sinir ağlarına besleniyor. Ekip, laboratuvar testlerinde prototipin el yazısı rakamları yaklaşık yüzde 98 doğrulukla sınıflandırdığını; konvansiyonel işlemcilerle eşleşen performansı çok daha düşük enerji bütçesi ile yakaladığını bildirdi.
Florida Üniversitesi Rhines Vakfı Yarıiletken Fotonik Profesörü Volker J. Sorger’in liderliğindeki çalışma, evrişim hesaplamasını ‘neredeyse sıfır enerji’ düzeyine yakınlaştırmayı hedefliyor. Araştırma notlarında, bu yaklaşımın yıllar boyunca yapay zeka sistemlerinin ölçeklenebilirliğini korumak için hayati olduğu vurgulandı.
FRESNEL MERCEK TASARIMI
Çipin kalbinde, deniz fenerlerindeki düz optiklere benzeyen iki Fresnel mercek katmanı bulunuyor. Her bir mercek, insan saç telinden daha ince bir kalınlıkta ve standart yarı iletken üretim teknikleriyle silikon üzerine kazınıyor. Evrişim çalıştırılırken, giriş verileri çip üzerinde lazer ışığına dönüştürülüyor; ışık, merceklerden geçerek istenen matematiksel dönüşümü uyguluyor, ardından fotodedektörler aracılığıyla sayısallaştırılıp sinir ağına aktarılıyor. Ekip, bu tür bir optik evrişim hesaplamasının ilk kez tamamen bir çipte gerçekleştirildiğine dikkat çekti.
RENKLE PARALEL İŞLEM
Sistem yalnızca hızlı değil, aynı zamanda paralel: Araştırmacılar, farklı dalga boylarında (renklerde) lazerleri aynı optik yoldan geçirerek dalga boyu çoğullama (WDM) sayesinde eşzamanlı çoklu veri akışı işledi. Teknik dökümanda, merceklerin aynı anda birden fazla renge şeffaf çalışabildiği ve böylece tek kalemde hem bant genişliği hem de iş hacmi kazanıldığı belirtiliyor.
SANAYİYE ETKİSİ
Projede Florida Yarıiletken Enstitüsü, UCLA ve George Washington University ekipleri yer aldı. Sorger, NVIDIA gibi başat üreticilerin veri merkezli yapay zeka sistemlerinde optik bağlantıları ve fotonik altyapıları halihazırda kullandığını; bu ekosistemin, çip tabanlı optik hesaplama bloklarının ticarileşmesini kolaylaştıracağını değerlendiriyor. Araştırma grubu, kısa vadede hibrit (elektronik + optik) hızlandırıcıların yaygınlaşacağını; orta vadede ise optik yapay zeka hesaplamasının standart bir katman haline geleceğini öngörüyor.
NASIL ÇALIŞIYOR, NEDEN ÖNEMLİ?
• Veri → ışık dönüşümü: Girdiler lazerle modüle edilerek optik taşıyıcıya bindiriliyor.
• Optik evrişim: Fresnel mercekler, evrişimin frekans alanı eşleniğini fiziksel bir dönüşüm olarak uyguluyor; elektriksel matris çarpmalarını ışıkla ikame ediyor.
• Geri sayısallaştırma: Çıkış, fotodedektörlerle dijitale çevrilip sinir ağına besleniyor.
• Kazanç: Elektriksel MAC (multiply-accumulate) selinin yerini alan kayıpsız optik dönüşümler, ısı ve enerji yükünü azaltıyor; bant genişliği dalga boyu çoğullama ile ölçekleniyor.
Bu yaklaşım, veri merkezlerinden uç aygıtlara uzanan geniş bir yelpazede enerji başına performansı yükseltme potansiyeli taşıyor. Araştırmacılar, güç sarfiyatı daha da düşürülebilirse, akıllı saat/telefon gibi cihazlarda yerel yapay zeka (on-device AI) modellerinin daha verimli çalışabileceğini, ağ trafiğine ve buluta bağımlılığın azaltılabileceğini belirtiyor.
YOL HARİTASI VE ZORLUKLAR
Ön prototip; doğruluk, hız ve enerji metriklerinde umut verici sonuçlar sunsa da, geniş ölçekli sinir ağlarında katmanlaştırma, hata yayılımı, gürültü yönetimi ve kalibrasyon gibi mühendislik başlıkları sırada. Ekip, optik blokların standart NN katmanlarına modüler entegre edilmesi, FPGA/ASIC tabanlı kontrolcülerle uyum ve üretim verimi üzerinde çalışıyor. Amaç, bugün GPU/AI hızlandırıcılarında görülen yazılım yığınına fotonik hızlandırma kütüphanelerini ekleyerek geliştiricinin şeffaf biçimde fayda sağlaması.
Bu hibrit çip, evrişim gibi enerji iştahlı işlemleri ışık fiziği ile hızlandırarak yapay zekanın sürdürülebilir ölçeklenmesi için yeni bir kapı aralıyor. Laboratuvar dışına taşınması halinde, ışık tabanlı hızlandırıcılar yakın gelecekte günlük kullandığımız pek çok yapay zeka aracının gizli motoru olabilir.
