في عالم الذكاء الاصطناعي، تبشر الشبكات العصبية الفوتونية (Photonic Neural Networks) بانطلاقة نوعية جديدة نحو الاستنتاج الفوري والصحيح، لكن معظم التصاميم الحالية تعتمد على شبكات بصرية خطية تضيف تعقيدات إلكترونية تعيق العمليات. هنا يبرز الابتكار الجديد المتمثل في شبكات كولموغوروف-أرنولد الفوتونية الصغيرة (SSP-KANs) التي تُنفذ بالكامل باستخدام مكونات الاتصالات التقليدية.

تتكون كل حافة في الشبكة من وحدة غير خطية قابلة للتدريب، تضم مكونات مثل محول ماخ-زيلدر (Mach-Zehnder Interferometer)، ومضخم بصري شبه موصل (Semiconductor Optical Amplifier)، ومخففات بصرية متغيرة (Variable Optical Attenuators). توفر هذه الوحدات دالة تحويل رباعية المعلمات مستمدة من تأثيرات التشبع وزيادة الاختلاط.

وعلى الرغم من القيود المفروضة على هذه الخصائص غير الخطية البصرية، فإن شبكات SSP-KANs، التي تشمل عددًا قليلًا من الوحدات البصرية، تُظهر أداءً قويًا في الاستنتاج غير الخطي عبر مجموعة متنوعة من مهام التصنيف والاسترجاع والتعرف على الصور، حيث تقترب من المعايير البرمجية ولكن بعدد أقل بكثير من المعلمات.

على سبيل المثال، حققت شبكة مكونة من أربع وحدات دقة تبلغ 94.3% (مع تباين داخلي بنسبة 90.3% إلى 97.4%) على معايير التصنيف غير الخطي، بينما حققت شبكة مكونة من سبع وحدات قيمة R^2 تبلغ 0.986 ± 0.015 على مهمات استرجاع الإدخال الست.

تظل الأداءات قوية حتى في ظل ظروف عتاد حقيقية، محتفظة بدقة عالية حتى عند دقة إدخال تبلغ 6 بت ونسبة إشارة إلى ضوضاء تصل إلى 14 ديسيبل. بفضل استخدام نموذج فيزيائي قابل للتفاضل من أجل تحسين المعلمات البصرية من البداية إلى النهاية، تؤسس هذه الدراسة مسارًا عمليًا للانتقال من المحاكاة إلى العرض التجريبي لشبكات KANs البصرية باستخدام معدات الاتصالات التجارية.

تُعد هذه التطورات خطوة بارزة نحو تحقيق المزيد من الإمكانيات في الذكاء الاصطناعي، فهل نحن أمام ثورة جديدة في هذا المجال؟ شاركونا آراءكم في التعليقات!