Trong thập kỷ qua, microresonator quang học đã thu hút sự chú ý trong cộng đồng nghiên cứu vì khả năng phát ra các xung ánh sáng tự nhịp (self-pulsing) và ứng dụng trong các lĩnh vực máy tính quang học. Mặc dù có những triển vọng đầy hứa hẹn, công nghệ này vẫn đối mặt với nhiều thách thức trong việc áp dụng thực tế. Trong một nghiên cứu mới đây, các nhà khoa học đã dùng microresonators để xây dựng một mạng nơ-ron kích thích quy mô nhỏ, mở ra những hướng đi đầy tiềm năng khi máy tính quang học và trí tuệ nhân tạo kết hợp với nhau.
Microresonators là gì?
Microresonator là một thiết bị quang học có khả năng nhốt ánh sáng trong một không gian cực nhỏ, giúp tăng cường sự tương tác giữa ánh sáng và vật liệu. Microresonator thường được làm từ vật liệu bán dẫn hoặc các vật liệu quang học đặc biệt khác, có phản ứng phi tuyến với ánh sáng. Tại đây, có thể sử dụng ánh sáng để kiểm soát chính các hiệu ứng như hấp thụ hai photon hoặc phát xạ hài bậc cao.
Một trong những tính năng đặc biệt của microresonators là khả năng tạo ra xung ánh sáng tự nhịp (self-pulsing) mà không cần tín hiệu điều khiển từ bên ngoài. Các xung này có thể mô phỏng hành vi của các nơ-ron trong não bộ sinh học, mở ra khả năng ứng dụng trong các mạng nơ-ron quang học (SNNs).
Quang học phi tuyến và máy tính quang học
Quang học phi tuyến là một lĩnh vực nghiên cứu các hiện tượng xảy ra khi ánh sáng tương tác với vật liệu và tạo ra các hiệu ứng không tỉ lệ với cường độ ánh sáng.
Một ứng dụng nổi bật của quang học phi tuyến là máy tính quang học. Thay vì sử dụng điện để điều khiển trạng thái đóng mở của các transistor bán dẫn như vi xử lý truyền thống. Máy tính quang học sử dụng hiện tượng: phản ứng khác nhau của vật liệu khi bị ánh sáng với cường độ khác nhau chiếu vào để làm đơn vị tính toán.
Dưới đây là bảng so sánh giữa photonics (quang học) và semiconductor (bán dẫn) trong bối cảnh ứng dụng làm vi xử lý và tính toán.
| Tiêu chí | Photonics (Quang học) | Semiconductor (Bán dẫn) |
|---|---|---|
| Bản chất vật lý | Sử dụng ánh sáng (photon) để truyền và xử lý thông tin. | Sử dụng electron để truyền tải và xử lý thông tin. |
| Phương thức xử lý | Ánh sáng tương tác với vật liệu qua các hiệu ứng quang học phi tuyến, như hấp thụ hai photon, phát xạ hài bậc cao, tạo sóng-harmonics. | Các electron di chuyển qua các mạch bán dẫn dưới ảnh hưởng của điện trường và điện áp. Các thiết bị như transistor điều khiển dòng electron. |
| Tốc độ xử lý | Tốc độ ánh sáng (300,000 km/s) – rất nhanh, lý tưởng cho các ứng dụng yêu cầu tốc độ cao như truyền tải và tính toán quang học. | Tốc độ truyền tải thông tin phụ thuộc vào tốc độ di chuyển của electron, khoảng 10^7 cm/s – thấp hơn so với tốc độ ánh sáng. |
| Khả năng xử lý song song | Có thể xử lý song song mạnh mẽ, nhiều kênh ánh sáng có thể truyền đồng thời qua các thiết bị quang học. | Hạn chế xử lý song song, các mạch điện tử thường phải xử lý tuần tự, mặc dù có thể cải thiện bằng cách sử dụng các kỹ thuật như đa nhân, đa luồng. |
| Tiết kiệm năng lượng | Tiết kiệm năng lượng hơn, đặc biệt khi xử lý các phép toán phi tuyến, vì ánh sáng có thể truyền qua quang học mà không tiêu thụ quá nhiều năng lượng. | Tiêu thụ năng lượng cao khi xử lý các phép toán phức tạp, đặc biệt là trong các mạch điện tử tốc độ cao và vi xử lý. |
| Nhiệt độ hoạt động | Không gặp phải vấn đề nhiệt lớn vì quang học có thể truyền tải thông tin với ít nhiệt tỏa ra. Tuy nhiên, các quang tử có thể bị mất năng lượng khi không được điều khiển tốt. | Nhiệt độ cao có thể ảnh hưởng đến hiệu suất của các linh kiện bán dẫn, và cần sử dụng các hệ thống làm mát trong các vi xử lý mạnh mẽ để giảm thiểu độ nóng. |
| Thách thức | Khó khăn trong tích hợp với các mạch điện tử hiện tại, cần công nghệ chế tạo phức tạp và chi phí sản xuất cao. Các hệ thống photonics vẫn cần thời gian để hoàn thiện. | Giới hạn về tốc độ và hiệu suất khi sử dụng điện tử để xử lý thông tin, và tiêu thụ năng lượng vẫn là vấn đề lớn. Cần tiếp tục nghiên cứu các vật liệu mới và cải tiến công nghệ chế tạo. |
Mạng nơ-ron kích thích là gì?
Mạng nơ-ron kích thích (Spiking Neural Networks – SNNs) là một loại mạng nơ-ron mô phỏng cách mà các nơ-ron trong não bộ sinh học hoạt động. Thay vì sử dụng tín hiệu liên tục, các nơ-ron trong SNNs tạo ra xung tín hiệu (spikes) khi nhận được đủ kích thích. Mạng nơ-ron kích thích có khả năng xử lý thông tin theo thời gian và học theo các mẫu xung, mô phỏng quá trình xử lý thông tin trong não bộ một cách tự nhiên và hiệu quả hơn.
SNNs sử dụng các xung thời gian để truyền thông tin, giúp xử lý thông tin theo cách tiết kiệm năng lượng hơn so với các mạng nơ-ron truyền thống (Deep Neural Networks – DNNs), đồng thời mang lại khả năng học liên tục và xử lý theo thời gian thực.
Và đây chính là nơi mà tính năng tự phát ra xung nhịp của microresonator đóng vai trò quyết định ảnh hưởng đến hiệu quả tính toán.
Dưới đây là bảng phân tích so sánh giữa Spiking Neural Networks (SNNs) và Deep Neural Networks (DNNs), hai loại mạng nơ-ron phổ biến trong lĩnh vực học máy và trí tuệ nhân tạo.
| Tiêu chí | Spiking Neural Networks (SNNs) | Deep Neural Networks (DNNs) |
|---|---|---|
| Cách thức hoạt động | Dựa trên xung điện (spikes) và tín hiệu thời gian. Mỗi nơ-ron phát ra xung điện khi sự kích thích vượt qua ngưỡng nhất định. | Dựa trên tín hiệu liên tục và hàm kích hoạt phi tuyến để tính toán đầu ra của nơ-ron qua các lớp. |
| Kiểu tín hiệu | Tín hiệu thời gian: Nơ-ron tạo ra xung tín hiệu theo thời gian, giống như hoạt động của các tế bào thần kinh trong não sinh học. | Tín hiệu liên tục: Các nơ-ron nhận tín hiệu liên tục và xử lý qua các lớp để tính toán đầu ra. |
| Cách học và cập nhật trọng số | Dựa trên quy tắc học sinh học như STDP (Spike-Timing Dependent Plasticity), nơi trọng số được điều chỉnh dựa trên thời gian và thứ tự các xung. | Dựa trên lan truyền ngược (backpropagation) và gradient descent để cập nhật trọng số theo sự sai lệch giữa đầu ra và giá trị mục tiêu. |
| Cấu trúc mạng | Mạng có thể có cấu trúc thưa thớt với các kết nối mạnh mẽ giữa các nơ-ron, tương tự như mạng nơ-ron trong não bộ. | Thường có cấu trúc dày đặc với nhiều lớp ẩn, mỗi lớp kết nối với lớp kế tiếp. |
| Khả năng xử lý thời gian | Xử lý tín hiệu theo thời gian (temporal processing): Các xung có thể được sử dụng để mô phỏng các quá trình học và xử lý theo thời gian thực. | Xử lý tín hiệu cố định: Thông tin được xử lý trong mỗi lần tính toán một lần (không xử lý theo thời gian). |
| Hiệu suất và tính toán | Mạnh trong việc xử lý dữ liệu thời gian thực và học liên tục, nhưng cần phần cứng đặc biệt để tận dụng tối đa. | Hiệu quả trong các tác vụ học sâu, có thể xử lý dữ liệu phức tạp nhưng tiêu tốn tài nguyên tính toán và bộ nhớ lớn. |
| Ứng dụng | Thích hợp cho các ứng dụng yêu cầu học liên tục, xử lý theo thời gian thực, và mô phỏng quá trình học của não bộ (ví dụ: robot học, cảm biến thông minh, mô phỏng thần kinh). | Thường được sử dụng trong các ứng dụng học sâu như nhận dạng hình ảnh, xử lý ngôn ngữ tự nhiên, học máy giám sát, học không giám sát. |
| Sự khớp nối và hiệu quả năng lượng | Khớp nối mạnh mẽ giữa các nơ-ron (tương tự như trong não bộ), có thể giúp tiết kiệm năng lượng hơn khi xử lý các tác vụ đơn giản. | Đôi khi yêu cầu nhiều tài nguyên tính toán và tiêu thụ năng lượng cao để đào tạo các mô hình phức tạp, đặc biệt là trong các mạng lớn với nhiều lớp. |
| Khả năng học liên tục và tái huấn luyện | Học liên tục: Có khả năng học trong thời gian thực mà không cần phải đào tạo lại toàn bộ mạng. | Học không liên tục: Cần phải huấn luyện lại từ đầu hoặc fine-tune mô hình khi có dữ liệu mới. |
| Mô phỏng não bộ | Mô phỏng hành vi não bộ chính xác hơn, với các xung và nhịp sinh học giống như cách mà các tế bào thần kinh trong não hoạt động. | Mặc dù có thể mô phỏng quá trình học, nhưng không phản ánh chính xác hoạt động sinh học của não bộ như SNNs. |
Kết quả thí nghiệm dùng Microresonators tự phát xung nhịp vào mạng nơ-ron kích thích
Trước đây, microresonators quang học chủ yếu được sử dụng để tạo ra các tín hiệu xung trong các hệ thống nhỏ gọn. Tuy nhiên, trong thử nghiệm này, các microresonators được kết hợp với nhau để hình thành mạng nơ-ron quang học, với khả năng thực hiện các tác vụ học và nhận diện thông qua các xung ánh sáng tự nhịp.
Bước tiến mới trong nghiên cứu này là việc microresonators, không chỉ tự tạo ra các tín hiệu quang học theo xung nhịp. Mà còn:
- Lưu trữ thông tin trong một thời gian nhất định.
- Nhận diện tần suất xung (spike rates) của tín hiệu đầu vào.
Giờ đây microresonators đảm nhiệm vai trò gần giống như một nơ-ron thần kinh. Mở ra khả năng mới cho việc phát triển mạng nơ-ron quang học với các tính năng đặc biệt như nhớ dài hạn và phát hiện sự kiện. Đây là bước tiến gần hơn mô phỏng hành vi của các tế bào thần kinh trong não bộ.
Khả năng nhớ và phát hiện tín hiệu mà không cần phải sử dụng bộ nhớ điện tử truyền thống khiến microresonators vừa tiết kiệm năng lượng, vừa tăng tốc độ xử lý trong các mạng nơ-ron quang học.
Các giả định chính trong thí nghiệm này bao gồm:
- Giả định về tính ổn định và khả năng mở rộng: Một giả định quan trọng là microresonators sẽ duy trì hiệu suất ổn định trong quá trình xử lý và có thể được mở rộng cho các mạng nơ-ron quang học lớn hơn.
- Giả định về khả năng học liên tục: Thí nghiệm cũng giả định rằng mạng nơ-ron quang học sử dụng microresonators sẽ có khả năng học liên tục và xử lý thông tin theo thời gian thực mà không cần phải đào tạo lại toàn bộ mạng.
Kết
Thí nghiệm sử dụng microresonator tự nhịp trong mạng nơ-ron kích thích không chỉ mở ra tiềm năng lớn cho máy tính quang học mà còn giúp tăng cường hiệu suất và tiết kiệm năng lượng trong các hệ thống học máy. Tuy nhiên, để công nghệ này có thể ứng dụng rộng rãi, cần có thêm nghiên cứu và giải quyết các vấn đề liên quan đến tính ổn định, chi phí, và khả năng tích hợp vào các hệ thống quang học lớn.
Nghiên cứu chi tiết đăng trên tạp chí Nature Communications Physics
Biasi, S., Lugnan, A., Micheli, D. et al. Exploring the potential of self-pulsing optical microresonators for spiking neural networks and sensing. Commun Phys 7, 380 (2024). https://doi.org/10.1038/s42005-024-01869-2