الفوتونات هي المنصة الجديدة للذكاء الاصطناعي

بالاعتماد على أطر عمل شبكات الحوسبة المتوازية القوية ودعم أجهزة معالجة الرسومات (GPU)، تحقق تقنية الذكاء الاصطناعي حوسبة فائقة السرعة وتُظهر أداءً متميزًا في معالجة البيانات واستخراج السمات والتنبؤ غير الخطي. في السنوات الأخيرة، انتقل الذكاء الاصطناعي تدريجيًّا من عالم الخيال العلمي إلى حياتنا اليومية، وظهرت العديد من المنتجات الرائعة، مثل AlphaGo وChatGPT وSora. تُعد الشبكات العصبية الاصطناعية الأساس الجوهري للذكاء الاصطناعي. ويستلهم تصميمها من محاكاتنا للشبكات العصبية البيولوجية. يتكون الدماغ البشري من عشرات المليارات من الخلايا العصبية، التي تشكل شبكة معقدة من خلال الوصلات المشبكية. وتتم معالجة المعلومات المختلفة وتنفيذ المهام من خلال تكامل المدخلات، وتشغيل العتبة، وتعديل الأوزان، والتخزين والنقل. وبالمثل، تعتمد الشبكات العصبية الاصطناعية على أجهزة الحوسبة الإلكترونية، وتبسط عملية محاكاة الشبكات العصبية البيولوجية من منظور معالجة المعلومات. وتتألف الشبكات العصبية الاصطناعية من العديد من العقد العصبية الاصطناعية المترابطة، وتحقق الأهداف المحددة مسبقًا من خلال عمليات خطية تتمثل في الجمع المرجح وعمليات غير خطية تتمثل في التنشيط.
في السنوات الأخيرة، دخلت تقنية التصوير البصري تدريجيًا عصرًا جديدًا بعيدًا عن التصوير التقليدي القائم على الشدة والمقيد بحد الحيود: وهو التصوير الحسابي. لا يقتصر التصوير الحسابي على تجاوز حد الحيود فحسب، بل يمكنه أيضًا الحصول على معلومات مثل الطور والاستقطاب والطيف [1]. يمكن للتصوير الحسابي الحصول على معلومات فيزيائية لا يمكن الحصول عليها عن طريق التصوير البصري التقليدي، وذلك من خلال النمذجة الدقيقة للعملية الفيزيائية من الهدف إلى المستشعر، واستخدام خوارزميات التحسين لحل المشكلة العكسية المقابلة للنموذج. ويتمتع التصوير الحسابي بآفاق تطبيق واسعة في علوم الحياة، والرصد الفلكي، والكشف الصناعي، وغيرها من المجالات. وقد ساهم التقدم في مجال الذكاء الاصطناعي بشكل كبير في تعزيز تطور التصوير الحسابي. فقد حقق التعلم العميق نتائج عالية الجودة في إنشاء نماذج أمامية غير خطية وحل المشكلات العكسية عالية الأبعاد غير المحددة جيدًا من خلال الأساليب القائمة على البيانات، كما أحرز تقدمًا ملحوظًا في إزالة التشويش، والدقة الفائقة، والتصوير في ظروف الإضاءة المنخفضة. بالإضافة إلى ذلك، أظهر التعلم العميق مزايا مذهلة في حل التنازلات الشائعة بين الجودة والسرعة في التصوير الحسابي، الأمر الذي لا يضمن جودة التصوير فحسب، بل يرفع السرعة أيضًا إلى مستويات الوقت الحقيقي. في عام 2023، اقترح فريق الأكاديمي داي تشيونغهاي من جامعة تسينغهوا شبكة تعلم عميق ذاتية الإشراف تُسمى DeepCAD-RT، والتي حققت تصويرًا مجهريًّا ثلاثي الأبعاد في الوقت الحقيقي مع إزالة الضوضاء لدماغ الفأر.

وهناك اتجاه آخر آخذ في الظهور يتمثل في استخدام الشبكات العصبية الضوئية لتحقيق تصوير عالي السرعة وعالي الأبعاد وعالي الدقة. تدخل معلومات مجال الضوء المستهدفة مباشرةً إلى الشبكة العصبية الضوئية المكونة من أجهزة تعديل متعددة الطبقات في شكل ضوء، مما يلغي عملية التحويل الكهروضوئي، ويزيد سرعة المعالجة إلى سرعة الضوء، ويستهلك طاقة قليلة جدًا، مثل إطار عمل الشبكة العصبية الضوئية لإزالة الضوضاء الذي اقترحه فريق أوزكان في جامعة كاليفورنيا، لوس أنجلوس في عام 2024. بالإضافة إلى ذلك، لا تقتصر قدرة الشبكات العصبية الضوئية على معالجة مهام المشكلات العكسية التقليدية في مجال التصوير الحسابي، مثل التصوير بالتشتت، والتصوير فائق الدقة، والتصوير أحادي البكسل، بل يمكنها أيضًا إنجاز بعض المهام الجديدة، مثل محو الأهداف غير المتوقعة في نتائج التصوير. بالإضافة إلى ذلك، يمكن للتعاون بين الشبكات العصبية الضوئية والشبكات العصبية الرقمية أن يحقق مزايا تكميلية ويحل مشكلات معقدة مثل التصوير عبر الإرسال لمسافات طويلة.
لتلبية احتياجات التطبيقات العملية المتعلقة بإنشاء الهولوغرامات التي يُنتجها الكمبيوتر في الوقت الفعلي، اقترح معهد ماساتشوستس للتكنولوجيا (MIT) استخدام شبكات التعلم الخاضعة للإشراف لتسريع عملية إنشاء الهولوغرامات، ويمكن للشبكة المدربة تحقيق إنشاء الهولوغرامات في الوقت الفعلي على معالجات رسومات مخصصة للاستخدام الاستهلاكي. كما حقق التعلم العميق تقدمًا كبيرًا في حل مشكلة ضوضاء البقع التي طالما أعاقت تطوير الهولوغرافيا الحاسوبية. وقد نجحت شبكات التعلم غير الخاضعة للإشراف Holo-Encoder و4K-DMDNet التي اقترحتها جامعة تسينغهوا في تجاوز قيود الجودة التي تفرضها خوارزمية CGH التقليدية على مجال الضوء المعدل، ويمكنها البحث تلقائيًا عن طريقة ترميز CGH، مما يحقق إنشاء حقول ضوئية عالية الدقة وخالية من البقع بسرعة فائقة. في عام 2024، سيقوم فريق البحث بجامعة ستانفورد بدمج تقنية CGH القائمة على التعلم العميق مع شبكات السطح الفوقي (metasurface gratings) والموجات الدليلية لتعويض التشتت (dispersion compensation waveguides)، مما يجعل من الممكن طرح نظارات الواقع المعزز (AR) خفيفة الوزن. بالإضافة إلى ذلك، يمكن أيضًا استخدام التعلم العميق لتحسين عملية ضغط CGH لتلبية متطلبات النقل في الوقت الفعلي لكميات كبيرة من البيانات في المشاهد ثلاثية الأبعاد، والمساعدة في تحقيق الاتصال الهولوغرافي في أقرب وقت ممكن.

باعتبارها اتجاهًا متعدد التخصصات ناشئًا، فإن الفوتونيات الذكية — على الرغم من أنها أظهرت إمكانات كبيرة وآفاقًا واسعة للتطبيق — لا تزال تواجه العديد من التحديات في مجالات مثل قوة الحوسبة، واستهلاك الطاقة، وموثوقية الأداء، وغيرها، ولا يزال الطريق طويلاً قبل الوصول إلى الاستخدام التجاري على نطاق واسع. يتطلب تطوير الفوتونيات الذكية تكاملاً عميقاً وابتكاراً في مجالات المواد والبصريات والحوسبة وغيرها من المجالات، فضلاً عن الاهتمام والاستثمار المستمرين من جانب الصناعة والأوساط الأكاديمية ومؤسسات البحث. ولا يزال الطريق طويلاً أمامنا، ونحن نتطلع إلى أن يكرس المزيد من الباحثين العلميين أنفسهم لهذا المجال، وأن يساهموا بمزيد من الحكمة والقوة في تقدم هذا المجال المتطور.