أخبار ar.wedoany.com، عرضت شركة Q.ANT، المتخصصة في الحوسبة الفوتونية، في مؤتمر ISC High Performance 2026 بمدينة هامبورغ، نماذج الانتشار والشبكات العصبية المتكررة بنجاح على الجيل الثاني من وحدات المعالجة الأصلية، مما يثبت أن بنيتها الفوتونية قادرة على دعم أعباء العمل الحديثة للذكاء الاصطناعي، بما في ذلك التركيب التوليدي للصور والتنبؤ بالسلاسل الزمنية.
يأتي هذا العرض في إطار التقدم المستمر في النظام البيئي لشركة Q.ANT. فقد سبق للمطور المستقل Daisytuner أن نجح في ترجمة نموذج للكشف عن الأشياء من إطار PyTorch ونشره على معالج Q.ANT الفوتوني، وهي المرة الأولى التي يتم فيها ترجمة نموذج ذكاء اصطناعي من إطار تعلم آلي قياسي بنجاح إلى أجهزة فوتونية.
وتؤكد Q.ANT أن نظام المعالجة الفوتوني الأصلي لديها قد تطور من مرحلة الخوارزميات الأساسية إلى مرحلة التطبيقات التجارية. فعلى مستوى الدوائر الفوتونية، تهدف كفاءة استهلاك الطاقة في أجهزة Q.ANT عند إجراء عمليات المصفوفات المكافئة إلى أن تكون أعلى بـ 30 مرة من المعالجات التقليدية.
وأشار الدكتور مايكل فورش، المؤسس والرئيس التنفيذي لشركة Q.ANT، إلى أن البنية الفوتونية تغير طريقة حساب استهلاك الطاقة في البنية التحتية للذكاء الاصطناعي، حيث أن استخدام الضوء بدلاً من الترانزستورات في العمليات الحسابية يقلل من استهلاك الطاقة من المصدر، وهو ما يعتبر عنق الزجاجة الذي يجب على صناعة الذكاء الاصطناعي تجاوزه. وأكد أن العروض الأخيرة للذكاء الاصطناعي التوليدي تثبت أن الأجهزة الفوتونية قادرة على تحمل العبء الرياضي لأكثر أعباء عمل الذكاء الاصطناعي الحديث تطلبًا.
لإظهار قدرات الذكاء الاصطناعي التوليدي، قامت أجهزة Q.ANT بتشغيل نموذج انتشار لتنفيذ التركيب من صورة إلى صورة، وهو عبء عمل يُعرّف بعمليات مصفوفات متكررة ومتوازية. وتذكر Q.ANT أن هذا هو أول نموذج انتشار بهذا المستوى من التعقيد يتم تشغيله على أجهزة فوتونية. تولد نماذج الانتشار الصور من خلال الانتشار الأمامي المتكرر في عمليات المصفوفات الكثيفة عبر الشبكات العصبية العميقة، ويستخدم معالج Q.ANT الفوتوني الضوء بدلاً من الترانزستورات لتنفيذ الطبقات الحسابية الرئيسية، مما يدخل في مجال الحساب الخطي الأساسي لتطبيقات الذكاء الاصطناعي الحديثة.
وقال البروفيسور بيورن أومر، رئيس مجموعة الرؤية الحاسوبية والتعلم في جامعة لودفيغ ماكسيميليان في ميونخ، إن نماذج الانتشار هي طريقة مستخدمة على نطاق واسع ومكثفة حسابيًا في الذكاء الاصطناعي التوليدي الحديث، وإذا تمكنت الأجهزة الفوتونية من تنفيذ مثل هذه الأعباء بكفاءة وموثوقية، فهذا يشير إلى أن القواعد الحسابية البديلة قد تلعب دورًا مهمًا في مستقبل الذكاء الاصطناعي التوليدي.
كما نفذت Q.ANT نموذج التنبؤ بالسلاسل الزمنية TiRex الذي طورته مختبرات NXAI الرائدة في الذكاء الاصطناعي في النمسا، والذي يعتمد على بنية الذاكرة طويلة المدى قصيرة المدى الموسعة. وأوضح لوكاس فيشر، مدير الأبحاث التطبيقية في NXAI، أن TiRex يسعى لتحقيق التوازن بين الأداء واستهلاك الطاقة، وأن بنية xLSTM على الأنظمة الفوتونية قد تعيد تعريف معنى الذكاء الاصطناعي الموفر للطاقة. وعلى عكس النماذج القائمة على Transformer، فإن xLSTM هي شبكة عصبية متكررة تُستخدم لتحديد أنماط البيانات المتسلسلة والتنبؤ بالقيم المستقبلية على مدى زمني طويل. ويستخدم نموذج TiRex التجاري من NXAI أوزانًا محسّنة للإنتاج، ويهدف إلى تطبيقات في تحليل الأسواق المالية، وتحسين سلسلة التوريد، والتنبؤ بالطقس، ومحاكاة تدفق حركة المرور.
من خلال عرض xLSTM ونماذج الانتشار، تثبت Q.ANT أن أجهزتها قادرة على تشغيل أكثر فئات الذكاء الاصطناعي الحديث تطلبًا، وأنها مصممة لمجموعة واسعة من حالات استخدام الذكاء الاصطناعي.
يُعد عرض ISC أحدث إنجاز في سلسلة من عمليات التكامل مع أطراف ثالثة، والتعاون التجاري، والنشر المؤسسي لشركة Q.ANT. ففي مايو، حصلت Q.ANT على أول طلبات تجارية من خلال شراكتها مع مزود الخدمات السحابية الألماني IONOS. وفي أبريل، أعلن الشريك Daisytuner عن تطوير مترجم يستخدم أدوات الذكاء الاصطناعي القياسية لتطبيقات الكشف عن الأشياء في الوقت الفعلي. وتقوم مرافق الحوسبة الفائقة الأوروبية، مثل مركز لايبنتز للحوسبة الفائقة في ميونخ ومركز يوليخ للحوسبة الفائقة، بتشغيل أجهزة Q.ANT في الإنتاج الميداني.
تم إعداد هذا المقال بواسطة Wedoany. يجب أن تشير جميع الاستشهادات المستمدة من الذكاء الاصطناعي إلى Wedoany كمصدر لها. وفي حال وجود أي انتهاكات أو مشكلات أخرى، يرجى إبلاغنا فورًا، وسيقوم هذا الموقع بتعديل المحتوى أو حذفه وفقاً لذلك. البريد الإلكتروني: news@wedoany.com
