مطالعے میں آپٹیکل نیورل نیٹ ورکس کو وقت کے دائرے تک توسیع دی گئی

ScienMag کی رپورٹ کردہ ایک تحقیق میں ایسے نیورل نیٹ ورک کے ڈھانچے کی وضاحت کی گئی ہے جو اپنی تمام गणनائیں روشنی کے ذریعے انجام دیتا ہے اور وقت کے ساتھ بدلنے والی معلومات کو پراسیس کرتا ہے۔ Light: Science & Applications میں شائع ہونے والا یہ کام ڈیفریکٹیو آپٹیکل کمپیوٹنگ کو ان جامد، دو بُعدی پیٹرنز سے آگے بڑھاتا ہے جو پہلے کے متعدد نظاموں میں استعمال ہوتے رہے ہیں۔

محققین کا فریم ورک ایک ہی وقت میں روشنی کے میدان کو دو طریقوں سے کنٹرول کرتا ہے: خلا میں اس کی تقسیم کو تشکیل دے کر اور یہ متعین کرکے کہ وہ میدان وقت کے ساتھ کیسے ارتقا پائے۔ اس طرح اس کا مقصد آپٹیکل نیٹ ورکس کو یہ قابل بنانا ہے کہ وہ مراحل کے درمیان ڈیٹا کسی الیکٹرانک پروسیسر کو بھیجے بغیر موجی اشکال اور سلسلوں کو پراسیس کرسکیں۔

مکانی پیٹرنز سے بدلتے ہوئے سگنلز تک

ڈیفریکٹیو نیورل نیٹ ورکس باریک آپٹیکل تہوں کے ایک سلسلے پر مشتمل ہوتے ہیں۔ ان کی ترسیل یا انعکاس کی خصوصیات کمپیوٹر پر مبنی تربیتی عمل کے دوران منتخب کی جاتی ہیں۔ تربیت یافتہ ڈھانچے میں روشنی داخل ہونے کے بعد وہ ایک تہہ سے اگلی تہہ تک پھیلتی ہے۔ اس کے نتیجے میں ہونے والی ڈیفریکشن اور مداخلت مصنوعی نیورل نیٹ ورک کے وزنی رابطوں سے مشابہ کارروائیاں انجام دیتی ہیں۔

یہ ترتیب نیٹ ورک کی فارورڈ गणना کو روشنی کے تہوں میں سفر کے دوران انجام پانے دیتی ہے۔ روایتی الیکٹرانک نظاموں کے برعکس، آپٹیکل ڈیوائس کو ہر رابطے پر الگ ڈیجیٹل ضرب انجام دینے کی ضرورت نہیں ہوتی۔ تاہم، پہلے کے ورژنز عموماً ایک واحد تصویر یا کسی دوسرے جامد مکانی پیٹرن پر کام کرتے تھے۔ وہ کسی سطح پر ترتیب دی گئی معلومات کو تبدیل یا درجہ بند کرسکتے تھے، لیکن یہ فطری طور پر اس بات کو ملحوظ نہیں رکھتے تھے کہ کوئی سگنل وقت کے ساتھ کیسے تشکیل پاتا ہے۔

یہ حد اہم ہے، کیونکہ بہت سے مفید ان پٹس جامد تصاویر نہیں ہوتے۔ مواصلاتی ڈیٹا بدلتی ہوئی آپٹیکل موجی اشکال کی صورت میں موصول ہوسکتا ہے، جبکہ حیاتیاتی سگنلز اور متحرک مناظر میں بھی ان کے زمانی رویے کے اندر معلومات موجود ہوتی ہیں۔ مثال کے طور پر، بولے گئے کسی لفظ کا انحصار تبدیلیوں کے ایک سلسلے پر ہوتا ہے، نہ کہ کسی ایک الگ تھلگ لمحے کے عکس پر۔

نیا ڈیزائن آپٹیکل میدان کو مقام اور وقت، دونوں کے لحاظ سے متغیر تصور کرتا ہے۔ لہٰذا اس کی تہیں محض مکانی ماسک نہیں ہیں: ان کا مقصد وقت کے ساتھ بدلتے ہوئے میدان کے مختلف حصوں کے درمیان تعلق کو تبدیل کرنا ہے، جب یہ اجزا پھیلتے اور ایک دوسرے میں مداخلت کرتے ہیں۔ اس کے بعد روشنی کا آخری پیٹرن کسی جواب، مثلاً درجہ بندی کے نتیجے یا تبدیل شدہ موجی شکل، کی نمائندگی کرسکتا ہے۔

روشنی بطور ذریعۂ حساب

نیٹ ورک کو عددی طریقے سے تربیت دی جاتی ہے۔ موجوں کے پھیلاؤ کے ماڈلز کو مشین لرننگ کے طریقوں کے ساتھ ملایا جاتا ہے، اور تہوں کی خصوصیات کو بار بار ایڈجسٹ کیا جاتا ہے تاکہ نظام کے آؤٹ پٹ اور مطلوبہ نتیجے کے درمیان فرق کم کیا جاسکے۔ تربیت کے بعد یہ پیرامیٹرز حقیقی آپٹیکل عناصر میں منتقل کردیے جاتے ہیں۔

عمل کے دوران یہ فریم ورک غیر فعال انداز میں استنباط انجام دینے کے لیے تیار کیا گیا ہے۔ یہ ان ہائبرڈ نظاموں سے مختلف ہے جن میں آپٹکس حساب کے صرف ایک حصے کو انجام دیتے ہیں اور اس کے بعد الیکٹرانکس کام سنبھال لیتے ہیں۔ مجوزہ مکمل آپٹیکل راستے میں روشنی کا پھیلاؤ، ڈیفریکشن اور مداخلت ہی خود حساب فراہم کرتے ہیں۔

وقت کو شامل کرنے سے نظام کسی ایک لمحے کو الگ الگ سمجھنے کے بجائے معلومات کو ایک زمانی کھڑکی کے اندر یکجا کرسکتا ہے۔ ScienMag کی رپورٹ کے مطابق، ایسا نیٹ ورک ممکنہ طور پر روشنی کے ڈھانچے میں سے گزرتے ہوئے اس کے رویے کے ذریعے زمانی فلٹرنگ، باہمی تعلق اور سلسلے کی شناخت انجام دے سکتا ہے۔ اس سے کسی حسّی یا مواصلاتی نظام کے ابتدائی مرحلے میں، سگنل کو الیکٹرانک فارمیٹ میں تبدیل کیے جانے سے پہلے، مسلسل موصول ہونے والے ڈیٹا کا تجزیہ کرنے کا امکان پیدا ہوتا ہے۔

یہ طریقہ روشنی کی ان متعدد خصوصیات سے بھی فائدہ اٹھاتا ہے جو معلومات منتقل کرسکتی ہیں، جن میں مکانی ساخت، طولِ موج، پولرائزیشن اور زمانی پروفائل شامل ہیں۔ مطالعہ خلا اور وقت کے مشترکہ کنٹرول پر مرکوز ہے، جو آپٹیکل تحقیق کا ایک ایسا شعبہ ہے جس نے انجینئر کردہ پلسز اور روشنی کے دیگر پیٹرنز کو ممکن بنایا ہے، جن کے پھیلاؤ کے دوران رویے کو دانستہ طور پر تشکیل دیا جاتا ہے۔

ممکنہ فوائد اور باقی رہنے والی رکاوٹیں

توانائی کا استعمال آپٹیکل نیورل نیٹ ورکس میں دلچسپی کی ایک بڑی وجہ ہے۔ الیکٹرانک AI ہارڈویئر استنباط کے لیے درکار ریاضیاتی کارروائیاں انجام دینے کے علاوہ، میموری اور پروسیسنگ یونٹس کے درمیان ڈیٹا منتقل کرنے میں خاصی توانائی صرف کرسکتا ہے۔ ڈیفریکٹیو آپٹیکل نیٹ ورک اپنی تبدیلیاں روشنی کی حرکت اور مداخلت کے ذریعے انجام دیتا ہے، اس لیے اس کے عملیاتی اخراجات بنیادی طور پر روشنی پیدا کرنے اور دریافت کرنے سے وابستہ ہوتے ہیں، نہ کہ ہر رابطے پر الیکٹرانک حساب سے۔

یہ زمانی توسیع اس فائدے کو مزید وسیع کاموں کے لیے relevant بناسکتی ہے، بالخصوص آپٹیکل مواصلات میں، جہاں معلومات پہلے ہی ماڈیولیٹ کی گئی روشنی کے طور پر سفر کرتی ہیں۔ آپٹیکل اور الیکٹرانک فارمیٹس کے درمیان بار بار تبدیلی سے گریز بہت تیز پراسیسنگ میں بھی مدد دے سکتا ہے۔ کمپیکٹ ڈیوائسز کے لیے نیٹ ورک کو عبور کرنے میں روشنی کو درکار وقت پیکوسیکنڈز میں ناپا جاسکتا ہے، اگرچہ مکمل نظام کی عملی کارکردگی اس کے اجزا اور ڈیٹیکٹرز پر منحصر ہوگی۔

یہ کام کسی تیار شدہ مصنوعات کے بجائے ایک ڈیزائن فریم ورک اور آئندہ عملی نفاذ کی بنیاد کے طور پر پیش کیا گیا ہے۔ ایسے حقیقی آپٹیکل اجزا بنانا جو تیزی سے بدلتی ہوئی روشنی پر مطلوبہ تبدیلیاں درست طور پر لاگو کرسکیں، ایک چیلنج ہوگا۔ صف بندی، تیاری کی درستگی اور ڈیٹیکٹر کی بینڈوڈتھ، سب اس بات پر اثر انداز ہوسکتے ہیں کہ کوئی ڈیوائس اپنے تربیت یافتہ ماڈل کے مطابق کارکردگی دکھاتی ہے یا نہیں۔

ScienMag کے مطابق، یہ مطالعہ مکانی زمانی ڈیفریکٹیو نیورل نیٹ ورکس کے اصول اور ایک طریقۂ کار قائم کرتا ہے۔ ان اصولوں کو مختلف آپٹیکل فریکوئنسی رینجز اور ہارڈویئر پلیٹ فارمز پر نظاموں میں تبدیل کرنے کے لیے مزید کام درکار ہوگا، لیکن یہ فریم ورک متحرک معلومات کی پراسیسنگ میں غیر فعال آپٹکس کے ممکنہ کردار کو وسیع کرتا ہے۔