כאן נכנסת לתמונה הפוטוניקה (Photonics) – השימוש בפוטונים (חלקיקי אור) במקום באלקטרונים להעברת ועיבוד מידע. אם המאה ה-20 הייתה שייכת לאלקטרוניקה, המאה ה-21 מסתמנת כעידן הפוטוניקה, והשילוב שלה עם בינה מלאכותית הוא לא פחות משידוך משמיים (או לפחות משולחן השרטוט של המהנדסים המבריקים ביותר).

צוואר הבקבוק של "חוק מור" והקיר התרמי

במשך עשורים הסתמכנו על "חוק מור" – המזעור הבלתי פוסק של טרנזיסטורים. אבל כשמגיעים לרמה של ננומטרים בודדים, הפיזיקה מתחילה להתמרד. אלקטרונים שנעים בתוך מוליכים צפופים מייצרים התנגדות, והתנגדות משמעה חום. בחוות השרתים הענקיות של NVIDIA או גוגל, חלק נכבד מהעלות ומהאנרגיה מושקע לא בעיבוד עצמו, אלא בקירור השבבים ובשינוע המידע ביניהם דרך כבלי נחושת.

כאן טמון היתרון הראשון של האור: פוטונים נעים במהירות האור, הם חסרי מסה (במנוחה) ואינם מייצרים אינטראקציה זה עם זה באותו אופן שבו אלקטרונים מתנגשים. המשמעות? העברת מידע כמעט ללא איבוד אנרגיה כחום ורוחב פס רחב בעשרות מונים מזה של חוטי הנחושת.

למה AI זקוקה דווקא לאור?

כדי להבין למה שבבים פוטוניים הם ה"גביע הקדוש" של ה-AI, צריך להסתכל על מה שקורה "מתחת למכסה המנוע" של מודל שפה כמו GPT-4. בליבת העיבוד של בינה מלאכותית עומדת פעולה מתמטית עיקרית: מכפלת מטריצות (Matrix Multiplication).

במחשוב קלאסי, הפעולה הזו מתבצעת באופן דיגיטלי, שלב אחר שלב, בתוך ליבות העיבוד. בשבב פוטוני, ניתן לבצע את החישוב הזה בצורה אנלוגית באמצעות התאבכות של גלי אור. קרני אור עוברות דרך רשת של "אינטרפרומטרים" (Interferometers), והתוצאה המתמטית מתקבלת בקצה השני של השבב כמעט באופן מיידי, במהירות האור ובצריכת חשמל אפסית יחסית.

היכולת לבצע חישובים במקביל (Parallelism) היא טבעית לאור. ניתן לשלוח אלפי קרני אור באורכי גל שונים (WDM – Wavelength Division Multiplexing) דרך אותו נתיב אופטי מבלי שהן יפריעו זו לזו, מה שמאפשר "דחיסה" של כוח עיבוד ששום שבב אלקטרוני לא יכול להתחרות בו.

יעילות אנרגטית: מצילים את כדור הארץ (ואת התקציב)

צריכת החשמל של מרכזי נתונים ברחבי העולם היא נושא בוער. ההערכות מדברות על כך שתוך שנים ספורות, ה-AI לבדה תצרוך אחוזים נכרים מתפוקת החשמל העולמית. שבבים פוטוניים מציעים פתרון לבעיה האקולוגית והכלכלית הזו. מכיוון שעיבוד פוטוני דורש פחות אנרגיה להזזת מידע ואינו זקוק למערכות קירור מסיביות באותה מידה, מדובר בטכנולוגיה "ירוקה" יותר שתאפשר להמשיך ולפתח מודלי AI גדולים יותר מבלי להקים תחנת כוח ליד כל חוות שרתים.

האתגרים בדרך למסחור

למרות ההבטחה הגדולה, הדרך לשליטה פוטונית מלאה עדיין רצופה אתגרים. המרכזי שבהם הוא האינטגרציה עם עולם הסיליקון הקיים (Silicon Photonics). רוב המידע שלנו עדיין נשמר ומעובד בפורמט אלקטרוני, והצורך להמיר אותות מאלקטרונים לפוטונים ובחזרה (O-E-O Conversion) יוצר הפסדים.

בנוסף, ייצור של שבבים אופטיים דורש דיוק קיצוני – ברמת הננומטר – כדי למנוע דליפת אור. עם זאת, חברות ענק וסטארט-אפים (רבים מהם עם שורשים ישראליים עמוקים) כבר מציגים פתרונות של "Chiplets" אופטיים שיושבים לצד המעבד האלקטרוני ומאיצים רק את המשימות הכבדות ביותר.

הזווית הישראלית: מרכז כובד עולמי

אי אפשר לדבר על שבבים ועל פוטוניקה בלי להזכיר את ישראל. האקוסיסטם המקומי, המשלב ידע שנצבר ביחידות הטכנולוגיות של צה"ל עם מחקר אקדמי מוביל בטכניון, בעברית ובבר-אילן, הפך את ישראל למעצמת פוטוניקה. חברות ישראליות נמצאות בחזית הפיתוח של תקשורת אופטית בין שבבים ועיבוד אופטי ל-AI, וזהו בדיוק התחום שבו השקעות ה-Deep-Tech מתרכזות כיום.

סיכום

אנחנו נמצאים בנקודת מפנה היסטורית. אם ה-GPU הביא אותנו אל סף המהפכה של ה-AI היוצרת (Generative AI), הרי שהשבבים הפוטוניים הם אלו שיאפשרו לנו לעבור את הסף הזה אל עבר בינה מלאכותית כללית (AGI) ומחשוב בקנה מידה של "אקסטה-סקייל" (Exascale).

עבור תעשיית ההייטק הישראלית, ההזדמנות כאן היא כפולה: לא רק להיות הצרכנים של הטכנולוגיה הזו, אלא להיות אלו שמתכננים ובונים את ה"פנסים" שיאירו את עתיד המחשוב העולמי. ככל שהאור יחליף את החשמל במסלולי הסיליקון, כך תהפוך הבינה המלאכותית למהירה יותר, ירוקה יותר, ובעיקר – עוצמתית יותר מכל מה שדמיינו.

הפוסט המהפכה המוארת: מדוע שבבים פוטוניים הם המפתח לעתיד ה-AI ומקומה של ישראל במהפכה הופיע לראשונה ב-Chiportal.

Space Forge רוצה לגדל בחלל את "זרעי" השבבים של הדור הבא. החברה הבריטית, שפועלת מקארדיף ומפתחת "מפעלים" קטנים במסלול סביב כדור הארץ, טוענת שמיקרו-כבידה וחלל נקי מזיהומים יכולים להוביל לחומרי גלם טהורים ומסודרים יותר לשבבים—בדרך לשיפור ביצועים ויעילות אנרגטית, עם מיקוד גם בשווקים כמו תשתיות תקשורת, דטה-סנטרים והגנה.

Space Forge הוקמה על ידי המנכ"ל ג'ושוע ווסטרן וה-CTO אנדרו בייקון במטרה לנצל תנאים שקשה או בלתי אפשרי להשיג על פני הקרקע: כמעט אפס-כבידה, ואקום טבעי ורמות נמוכות יותר של חלקיקים מזהמים. לפי החברה, השילוב הזה יכול לסייע ביצירת "זרעים" קריסטליים (crystal seeds) באיכות גבוהה—בסיס שעליו ניתן "לגדל" בהמשך חומרים מתקדמים לתעשיית השבבים חזרה בכדור הארץ.

למה לייצר חומרים לשבבים דווקא בחלל

ההיגיון המדעי הבסיסי מאחורי "ייצור במיקרו-כבידה" מוכר גם מתחומים אחרים: כשמבטלים כמעט לחלוטין את השפעת הכבידה, אפשר להפחית תופעות כמו שקיעה והפרדת שכבות, ולקבל תהליכים אחידים יותר—לפחות בחלק מהיישומים. כך, למשל, נאס"א מתארת כיצד תנאי מיקרו-כבידה יכולים לסייע בייצור שכבות דקות הומוגניות יותר ובפחות פגמים במבנים מסוימים.

במקרה של Space Forge, הטענה היא שגבישים המיועדים לתעשיית השבבים—במיוחד חומרים מתקדמים שבהם "סדר אטומי" וטוהר קובעים את הביצועים—יכולים לצאת "נקיים ומדויקים יותר" אם מתחילים את התהליך במסלול סביב כדור הארץ. החברה מציגה זאת כפוטנציאל לשבבים יעילים יותר אנרגטית ולרכיבים שמתאימים לעומסי-הספק גבוהים בתקשורת, תעופה-חלל והגנה.

המפעל המוטס שכבר עלה למסלול, ומה הוכח עד כה

הניסוי המרכזי שעליו נשענת החברה כיום הוא שיגור לוויין-מפעל קטן בשם ForgeStar-1, שנועד להדגים יכולות תפעול של "כלי ייצור" בחלל. לפי דיווחים שפורסמו, במסגרת המשימה הצליחה החברה להפעיל פלזמה—גז מחומם לטמפרטורות גבוהות מאוד (כ-1,000 מעלות צלזיוס)—שלב טכנולוגי שנחשב בעיניה תנאי מקדים לייצור חומרים וגבישים מתקדמים בהמשך.

השלב הבא, כפי שמסבירים בחברה, הוא לא רק "לייצר למעלה" אלא גם להחזיר בבטחה את התוצר לכדור הארץ—וזה החסם שמפריד בין הדגמה מעניינת לבין מודל מסחרי. כאן נכנסת לתמונה טכנולוגיית החזרה (reentry) שהחברה מפתחת: מגן חום מתקפל בשם Pridwen, שתואר בכמה דיווחים כמעין "מטרייה" או מגן נפרש שמאט ומגן על המטען בדרכו חזרה דרך האטמוספרה.

במקביל, Space Forge כבר גייסה מימון כדי להתקדם מעבר לאב-טיפוס: החברה דיווחה על סבב משמעותי, עם השתתפות של NATO Innovation Fund בין המשקיעים—איתות לכך שיישומים בתחומי תשתיות קריטיות והגנה נמצאים חזק על הרדאר שלה.

האתגרים הגדולים: רגולציה, חזרה לכדור הארץ, והוכחת ביקוש אמיתי

גם אם הטכנולוגיה עובדת, נשארות שלוש שאלות כבדות:

האחת היא רגולציה: פעילות תעשייתית בחלל מערבת רישוי שיגור, בטיחות, אחריות, ולעיתים גם חוסר בהירות לגבי מיסוי ומעמד מוצרים שחוזרים מהמסלול למדינות שונות. החברה עצמה טוענת שזה אחד החסמים המרכזיים לקיצור לוחות זמנים.

השנייה היא לוגיסטיקת "חזרה" בקצב גבוה. ייצור בחלל נהיה מעניין כלכלית רק אם אפשר להוריד מטענים בתדירות אמינה—וכאן התעשייה כולה עדיין בונה את השרירים. במקביל ל-Space Forge, חברות אחרות כבר מדגימות גישה דומה של "מייצרים במסלול ומחזירים": למשל Varda Space Industries, שמפתחת קפסולות חזרה ומדווחת על משימות שבהן מוחזרים מטענים ומידע מהמסלול.

הפוסט מפעל שממריא לחלל: Space Forge רוצה לגדל שם את "זרעי" השבבים של הדור הבא הופיע לראשונה ב-Chiportal.

אחת הסיבות שמחשבים קוונטיים עדיין לא הפכו לכלי חישוב כללי היא שהם רגישים מאוד לרעש: אינטראקציה קטנה עם הסביבה, או שגיאה זעירה בביצוע שער קריטי, יכולה להרוס חישוב. לכן תחום תיקון השגיאות הקוונטי (Quantum Error Correction, QEC) , הוא המפתח למחשב קוונטי שימושי. אבל תיקון שגיאות מתקדם נשען בדרך כלל על מדידות תכופות במהלך האלגוריתם, ועל “פיד־פורוורד”(feed-forward)  – שינוי פעולות בהמשך בהתאם לתוצאה שנמדדה. זה מורכב טכנית, ולעיתים איטי, ופגיע לשגיאות נוספות.

מחקר חדש ב־Nature Communications  מציג גישה אחרת: לבצע סט של פעולות לוגיות חסינות־שגיאות על קיוביטים מקודדים בלי מדידות באמצע החישוב. במקום למדוד כל הזמן, החוקרים מציגים “ארגז כלים” של פרוטוקולים שמאפשרים לבצע טלפורטציה לוגית, העברת מידע בין קודים (code switching) ושילוב אסטרטגיות קידוד כדי להשיג סט פעולות אוניברסלי. המשמעות: צמצום תלות במדידות בזמן אמת עשוי להקל על פלטפורמות מסוימות ולהקטין צווארי בקבוק תפעוליים . (Nature)

מה בעצם הראו, ולמה זה יותר מהדגמה נקודתית?

לפי המאמר והתקציר בפאבמד, הניסוי בוצע על מעבד קוונטי מבוסס יונים לכודים (trapped ions). . הם השתמשו בקודים לגילוי שגיאות (error-detecting codes)  ולא בהכרח מתקנים באופן מלא בכל שלב — גישה שמאפשרת להציג פעולות לוגיות תוך שליטה במספר קיוביטים סביר.

הדגש במאמר הוא על רצף של רכיבים שמרכיבים יחד יכולת אוניברסלית: גם אם כל רכיב בנפרד נשמע טכני, החידוש הוא החיבור: טלפורטציה לוגית ללא מדידות באמצע האלגוריתם, העברת מידע בין קודים דו־ממדיים ותלת־ממדיים (כמו וריאנטים של color codes) , והשלמת סט שערים אוניברסלי באמצעות “הזרקת מצב”(state injection) .

מה זה אומר על הדרך למחשב קוונטי שימושי?

כדאי להיזהר: זו עדיין לא “הוכחת יתרון קוונטי” ולא מחשב כללי. אבל זה כן מסמן כיוון הנדסי: אם ניתן לבצע חלק מהתיקון/הגנה בלי מדידות ביניים, אפשר להפחית עומס על מערכות מדידה ובקרה, ולפעמים לשפר קצב פעולה.

בנוסף, יש כאן ערך קונספטואלי: בעשור האחרון התפתחה הבנה ש”אוניברסליות” במחשוב קוונטי חסין־שגיאות דורשת טריקים מורכבים כמו state injection ושילובים בין קודים. המחקר הזה מראה שאפשר לממש את השילוב באופן ניסויי, ובכך מקדם את השאלה “איך זה נראה בפועל” ולא רק “איך זה כתוב בתיאוריה”.

ולבסוף, גם אם הקורא אינו מתעמק בפרוטוקולים, אפשר לנסח את השורה התחתונה כך: מחשוב קוונטי ללא מדידות ביניים הוא ניסיון להפוך את תיקון השגיאות ליותר מעשי עבור חלק מהארכיטקטורות. אם בעתיד נראה פלטפורמות שבהן מדידות מהירות ואמינות הן החוליה החלשה, כיוון כזה עשוי להיות שווה הרבה.

הפוסט מחשב קוונטי בלי בדיקות ביניים הורסות הופיע לראשונה ב-Chiportal.

מחקר חדש שפורסם ב־Scientific Reports בוחן באופן שיטתי את ביצועי מודלי שפה גדולים (LLMs) במשימות יצירתיות בהשוואה לבני אדם, תוך התמקדות במבחני חשיבה מסתעפת — כלי פסיכולוגי מקובל למדידת יכולת יצירתית. הממצאים מעלים שאלות מהוביות לגבי התפקיד שמודלים אלה ממלאים בתהליכים יצירתיים: האם הם משפרים את היצירתיות האנושית או מחליפים אותה.

חשיבה מסתעפת כמדד ליצירתיות

יצירתיות, למרות היותה מושג חמקמק, נמדדת בפסיכולוגיה באמצעות מבחנים סטנדרטיים. אחד המושגים המרכזיים הוא חשיבה מסתעפת (divergent thinking) — היכולת להציע מגוון רחב של רעיונות שונים לבעיה פתוחה, תוך יצירת פתרונות שאינם רק וריאציות של אותו רעיון בסיסי.

מבחנים אופייניים כוללים משימות כגון "כמה שימושים שונים ניתן להציע לחפץ פשוט" או "כמה פתרונות אפשריים קיימים לסיטואציה נתונה". מדידת הביצועים במבחנים אלה מתבצעת בדרך כלל לפי שלושה ממדים עיקריים: שטף (מספר הרעיונות שנוצרו), גמישות (מספר הקטגוריות השונות של רעיונות), ומקוריות (עד כמה הרעיון נדיר ביחס למאגר התשובות).

האתגר המתודולוגי: מדידה ללא הטיה

עם הופעת מודלי שפה גדולים, נוצר מתח מחקרי מעניין. מצד אחד, מודלים אלה מצטיינים ביצירת רשימות ורעיונות במהירות רבה. מצד שני, קיימת טענה שהם נוטים לממוצע סטטיסטי, לקלישאות ולדפוסים שהופיעו בנתוני האימון שלהם.

האתגר המרכזי במחקר הוא למנוע מצב שבו המדידה תשקף בעיקר "מהירות הקלדה" ולא יצירתיות אמיתית. מודלים יכולים לנצח בקלות במדד השטף פשוט בשל יכולתם לייצר טקסט במהירות. לכן, לפי הודעת המחקר ב־EurekAlert!, חיוני להעמיד את המודלים מול מדדים שמענישים חזרתיות ושמבקשים מהם להימנע מתשובות צפויות.

מקוריות סטטיסטית אינה זהה לערך יצירתי

גם במקרה שבו מודל שפה משיג ציונים גבוהים במקוריות לפי אלגוריתמים סטטיסטיים, אין זה בהכרח מעיד על יצירתיות בעלת ערך אנושי. רעיון יכול להיות נדיר מבחינה סטטיסטית, אך חסר תועלת או רלוונטיות מעשית.

בנוסף, נתגלו מספר סוגיות מתודולוגיות חשובות:

תלות בניסוח ההנחיה (prompt): שינוי קטן בניסוח עשוי לגרום לשינוי דרמטי בתוצאה, מה שמעלה את השאלה האם המדד משקף את יכולת המודל או את כישורי מנסח ההנחיה.

אפקט העיגון: מודלים נוטים לעיתים ליצור רצפים המושפעים מהדוגמאות הראשונות שהפיקו, בדומה לבני אדם שנתקעים על כיוון מחשבתי אחד. השאלה המעניינת היא האם המודלים מייצרים מרחב רעיונות רחב באמת, או רק וריאציות סביב תבנית מרכזית אחת.

משמעות מעשית: כלי משלים או תחליף

הגישה הפרודוקטיבית למחקר זה אינה "אדם נגד מכונה", אלא הבנת התנאים שבהם מודלי שפה תורמים ליצירתיות אנושית. אם מודל מצטיין בשטף רעיונות, הוא יכול לשמש כ"מנוע סקיצה" — מפיק מגוון ראשוני רחב שממנו בני אדם בוחרים, משלבים ומסננים.

עם זאת, אם מודל נכשל בגמישות אמיתית, הוא עלול ליצור אשליה של יצירתיות: כמות גדולה של טקסט עם מעט פריצות דרך אמיתיות. התועלת המעשית טמונה בהבנה של סוגי המשימות הפתוחות שבהן המודל תורם הכי הרבה, לעומת אלו שבהן הוא גורם להתכנסות מוקדמת לרעיונות דומים.

מגבלות המחקר ודיון רחב יותר

יש להתייחס לממצאים בהקשר המתודולוגי המתאים. המחקר מוגבל על ידי מספר גורמים: אופי האוכלוסייה הנבדקת, השפה שבה נערכו המבחנים, והמודל הספציפי שנבדק. יתרה מכך, "מודל שפה" הוא קטגוריה רחבה — מודלים שונים מתנהגים באופן שונה, וגם אותו מודל עשוי להשתנות עם עדכונים טכנולוגיים.

לפיכך, נכון להתייחס לתוצאות אלה כהדגמה מתודולוגית ולא כהכרעה סופית בשאלת יכולתם היצירתית של מודלי שפה. המחקר מהווה נדבך בדיון רחב יותר על האופן שבו טכנולוגיות בינה מלאכותית משפיעות על תהליכים יצירתיים בחינוך, בעבודה ובתחומים נוספים.

עוד בנושא באתר הידען:

הפוסט מי יצירתי יותר במבחני “חשיבה מסתעפת” — בני אדם או מודלי שפה גדולים? הופיע לראשונה ב-Chiportal.

מנכ״ל אנבידיה (NVIDIA), ג׳נסן הואנג, טען בדיון מרכזי בפורום הכלכלי העולמי בדאבוס כי הבינה המלאכותית עומדת בבסיס מה שהוא כינה “פרויקט התשתיות הגדול בהיסטוריה האנושית”. לדבריו, זו אינה עוד טכנולוגיה בודדת אלא פלטפורמה חדשה שדורשת להקים ולהפעיל “מערכת שכבות” שלמה – ולכן היא כבר מייצרת ביקוש עצום לעובדים, החל ממקצועות בנייה ותשתית ועד מומחי ענן ומפתחי יישומים.

הואנג תיאר את מהפכת ה-AI כ**“עוגת חמש שכבות”**: שכבת האנרגיה (חשמל וייצור כוח), שכבת השבבים ותשתיות המחשוב, שכבת מרכזי הנתונים והענן, שכבת המודלים, ולבסוף שכבת היישומים – “שם”, לדבריו, ייווצר הערך הכלכלי הגדול באמת, כש-AI יוטמע בשירותים פיננסיים, בריאות, ייצור ותעשייה. ההיגיון של הואנג פשוט: אם כל שכבה חייבת להיבנות ולתוחזק, אז המהפכה דוחפת את הכלכלה לייצר מקומות עבודה ברוחב יוצא דופן – גם בעבודות שטח וגם בתפקידי היי-טק.

בחלק התעסוקתי הואנג דחה את הטענה ש-AI “מחליף אנשים” באופן גורף. הוא הדגים זאת דרך רדיולוגיה וסיעוד: לדבריו, AI מאיץ משימות כמו ניתוח דימות או תיעוד ובירוקרטיה, אבל מחדד את “מטרת המקצוע” – אבחון וטיפול – ולכן עשוי אפילו להגדיל ביקוש לכוח אדם. הוא התייחס גם למחסור חמור בכוח אדם בסיעוד בארה״ב, וטען שכלים שמקלים על תיעוד יכולים לפנות זמן לטיפול ולהגדיל תפוקה – מה שמייצר תמריץ להעסקת עוד עובדים.

בדיון, שנערך מול יו״ר ומנכ״ל בלאקרוק (BlackRock) לארי פינק, הואנג הציג גם טענה רחבה יותר: AI הוא “תשתית לאומית” בדומה לחשמל או כבישים, ולכן מדינות צריכות לפתח יכולות AI מקומיות שמתאימות לשפה ולתרבות שלהן. הוא הוסיף שאוריינות AI הופכת ליכולת בסיסית: לדעת “להנחות, לנהל, להציב מעקות בטיחות ולהעריך” מערכות – מיומנויות שהוא השווה לניהול אנשים ולמנהיגות.

עוד טען הואנג כי 2025 הייתה שנה חריגה בהיקף השקעות הון-סיכון, עם יותר מ-100 מיליארד דולר שהופנו בעיקר לחברות “AI-native” – סטארט-אפים שבונים ישירות את שכבת היישומים. מבחינתו, זה סימן לכך שהעולם עדיין לא “בסוף הגל”, אלא באמצע מעבר פלטפורמה שמחייב השקעות ענק בתשתיות כדי לאפשר לכל יתר השכבות לצמוח.

הפוסט “עוגת חמש השכבות” של הואנג: בינה מלאכותית היא תשתית, לא גימיק – והיא מייצרת גל תעסוקה חדש הופיע לראשונה ב-Chiportal.

בעתיד מחשבים קוונטיים אמורים לפתור בעיות שנחשבו בלתי פתירות, לנבא מראש כיצד חומרים כימיים יגיבו אלו עם אלו ואף לספק תחזית מהימנה של מזג האוויר, אך לעת עתה הם רגישים מאוד להפרעות מהסביבה ואיבוד מידע. מחקר חדש ממעבדתו של ד"ר יובל רונן במכון ויצמן למדע, המתפרסם היום בכתב-העת המדעי Nature, חושף עדות חדשה לקיומם של החלקיקים האקזוטיים "אניונים לא-אבליים" – מועמדים מבטיחים לבניית מחשב קוונטי עמיד לטעויות – בתוך החומר גרפן דו-שכבתי.

במכניקת הקוונטים חלקיקים מתנהגים גם כגלים, ותכונותיהם מתוארות באמצעות פונקציית גל. פונקציית הגל יכולה לתאר את מצבו של חלקיק יחיד או של מערכת חלקיקים. פיזיקאים מסווגים את החלקיקים בטבע לקבוצות לפי האופן שבו פונקציית הגל של שני חלקיקים משתנה כאשר הם מחליפים ביניהם מקומות. עד לשנות ה-80, הכירו הפיזיקאים שני סוגי חלקיקים בלבד – חלקיקים שפונקציית הגל שלהם לא משתנה כשהם מחליפים מקום (בוזונים), כדוגמת חלקיקי אור, וחלקיקים שהפונקציה שלהם מתהפכת (פרמיונים), כדוגמת אלקטרונים. אך, בשנת 1982 התגלה מצב חדש של חומר שבו יכול להתקיים סוג נוסף של חלקיקים, שלא קיימים בצורה טבעית. כאשר חלקיקים אלו מחליפים מקומות, פונקציית הגל עשויה להסתובב בכל זווית בין 0 ל-180 מעלות – ולכן ניתן להם השם "אניונים", שמקורו במילה "Any".

אניונים מופיעים רק בטמפרטורות הקרובות לאפס המוחלט, תחת שדה מגנטי חזק, כשמתקיימים קשרים חזקים בין החלקיקים ואך ורק במערכות דו-ממדיות, כלומר בפיסות חומר דקיקות שהתנועה לגובה בהן אינה אפשרית. במצבים אלו, התברר כי אלקטרונים בחומר מפסיקים להתנהג כחלקיקים שלמים ומתחילים להתנהג כשברי אלקטרונים – האניונים. לפי התאוריה שהתפתחה מאז, ישנם למעשה שני סוגי אניונים: "אניונים אבליים", שאצלם החלפת מקום מסובבת את פונקציית הגל בלבד, ו"אניונים לא-אבליים",  שהחלפה ביניהם גם מסובבת את פונקציית הגל וגם משנה את צורתה. שברי אלקטרון עם מכנה אי זוגי – כמו למשל שליש אלקטרון – הם אניונים אבליים, ומשערים ששברי אלקטרון עם מכנה זוגי – כמו רבע אלקטרון – הם לא-אבליים.

"החלפה של אניונים לא-אבליים משאירה חותם על הצורה של פונקציית הגל", מסביר ד"ר רונן. "אם ניקח שלושה אניונים לא-אבליים ונחליף את הראשון בשני ואז את השני בשלישי, נקבל פונקציית גל בעלת צורה שונה מזו שהיינו מקבלים אילו היינו מחליפים אותם בסדר אחר. זו דרך לקודד ולאחסן מידע, שהם חלק מהתנאים לפיתוח מחשב". 

"בחלק מהמודלים הקיימים, יחידות המידע הבסיסיות של המחשב הקוונטי (קיוביטים) הן חלקיקים בודדים, שרגישים להפרעות סביבתיות", מוסיף ד"ר רונן. "באניונים לא-אבליים המידע על סדר ההחלפות שמור לא בצורה מקומית, אלא בפונקציית הגל של המערכת כולה. מערכות שהתכונות החשובות שלהן נשמרות ברמת המערכת כולה עמידות בפני תקלה נקודתית ונקראות מערכות טופולוגיות. מערכות אלו הן מהפתרונות המבטיחים לבעיית אמינות המחשבים הקוונטיים". על אף שמדענים הצליחו לאחרונה למדוד אניונים אבליים, עד כה לא נמדדו ישירות אניונים לא-אבליים.

מאופטיקה קלאסית למחשב קוונטי

במחקר החדש, בהובלת ד"ר ג'ייהון קים והימאנשו דב ממעבדתו של ד"ר רונן במחלקה לפיזיקה של חומר מעובה במכון, השתמשו בחומר שפותח בשנים האחרונות ונקרא גרפן דו-שכבתי. מדובר במעין "כריך" העשוי שתי שכבות דקות של אטומי פחמן, שכל אחת מהן מסודרת כחלת דבש. בחומר זה, המצב שבו אניונים לא-אבליים אמורים להופיע יציב, והמדענים יכולים לשלוט היטב במסלולי התנועה של אניונים.

הניסוי שביצעו מדעני המכון מסתמך על ניסוי מפורסם באופטיקה מהמאה ה-19. בניסוי הקלאסי כולאים קרן אור בין שתי מראות. בכל פעם שהקרן פוגעת באחת המראות ומוחזרת, פונקציית הגל שלה מסתובבת בזווית (פאזה) מסוימת. כל עוד קרן האור המוחזרת לא מסונכרנת עם הקרן המקורית, הן מבטלות זו את זו ומתקבל אור חלש. לאחר כמה החזרות, פונקציית הגל משלימה סיבוב שלם וחוזרת לפאזה המקורית, כך שהקרניים מסונכרנות ומתקבל אור חזק. הניסוי מייצר דפוס של פסי אור וחושך שנקרא תבנית התאבכות, ולפי הדפוס המדויק פיזיקאים מסיקים מה היו תכונות הגל המקורי שנכלא בין המראות.

בניסוי הקוונטי המקביל, המדענים הביאו תחילה את האלקטרונים בחומר למצב שבו אמורים להימצא אניונים לא-אבליים. הם יצרו מסלול לולאה שבו גל של אניון אחד מקיף אי שבו יש אניונים אחרים ושדה מגנטי, ולאחר מכן שב ופוגש את הגל המקורי. בחלק הראשון של הניסוי, בחנו המדענים רק כיצד שדה מגנטי משנה את הפאזה של האניון שמקיף את האי. בכל סיבוב פאזת הגל החוזר השתנתה בהשפעת השדה המגנטי ובעת מפגש עם הגל המקורי הם התבטלו או התחברו. כמו הניסוי האופטי, גם ניסוי זה מייצר תבנית התאבכות, אך לא של פסי אור וחושך אלא של פסי התנגדות חשמלית גבוהה ונמוכה, שמהם ניתן ללמוד מהן תכונות האניון המסתובב.

"הצלחנו בניסוי למדוד שבר אלקטרון עם מכנה זוגי", מתאר ד"ר רונן. "אך בניגוד להנחה המקובלת שאניונים לא-אבליים הם רבע אלקטרון, הופתענו לראות במדידות כי גל של חצי אלקטרון הסתובב סביב האי. בעקבות ניסויים נוספים שביצענו, אנו מעריכים כי הסיבה לכך היא ששני אניונים לא-אבליים מקיפים את האי יחד, ועדיין לא הצלחנו להפריד ביניהם. בכל זאת, זהו צעד חשוב בדרך למדידה וזיהוי ישיר של אניונים לא-אבליים, ובימים אלו אנחנו מנסים להפריד ביניהם".

בניסוי נוסף שביצעו, ביקשו המדענים ללמוד על תכונות חלקיקי החומר שנמצאים בתוך האי. חלקיקים אלו נמצאים באינטראקציה עם החלקיק המסתובב ולכן המדענים שיערו כי יוכלו להשתמש בו כדי ללמוד עליהם. הם שינו את צפיפות החלקיקים באי ובחנו באיזו מידה זה משנה את פונקציית הגל של החלקיק המסתובב וכתוצאה מכך את תבנית ההתאבכות. שינוי בשיפוע של הפסים בתבנית ההתאבכות מעיד על המטען של החלקיקים באי והמדענים למדו ממנו כי יש להם מטען של רבע אלקטרון, כמצופה מאניונים לא-אבליים, וכפי שנמדד בעבר במעבדתו של פרופ' מוטי הייבלום, גם כן במכון ויצמן, בניסויי מנהור.

"הראינו שבגרפן דו-שכבתי יש חלקיקים שהם קרוב לוודאי אניונים לא-אבליים", אומר ד"ר רונן. "השלב הבא יהיה להצליח לחזות ישירות ב'זיכרון' של מערכת אניונים לא-אבליים, כלומר להצליח למדוד כיצד כל סדר החלפות של חלקיקים מייצר חתימה ייחודית בפונקציית הגל. מחשבים קוונטיים כיום מוגבלים לשדות מחקריים צרים וכדי שהם יהיו שימושיים יותר הם חייבים להיות אמינים. המחקר החדש מקדם אותנו צעד נוסף בדרך לפיתוח מחשב קוונטי עמיד לטעויות".

במחקר השתתפו גם עמית שעיר, ד"ר ראווי קומר, ד"ר אלכסיי אילין, ד"ר אנדרה האוג, שלי איסקוז, פרופ' דיוויד מרוס ופרופ' עדי שטרן מהמחלקה לפיזיקה של חומר מעובה במכון; פרופ' קנג'י וואטנבה ופרופ' טאקאשי טניגוצ'י מהמכון הלאומי למדעי החומרים, צוקובה, יפן.

הפוסט חלקיקי זיכרונות מועמדים מבטיחים לבניית מחשב קוונטי עמיד לטעויות הופיע לראשונה ב-Chiportal.

צוות של מדענים מאוסטרליה ומרחבי העולם יצר לראשונה תמונה מלאה של האופן שבו שגיאות מתפתחות לאורך זמן בתוך מחשב קוונטי. מדובר בפריצת דרך שעשויה להפוך מחשבים קוונטיים עתידיים לאמינים בהרבה.

החוקרים, בהובלת ד״ר כריסטינה ג׳יארמאצי מאוניברסיטת מקווארי, מצאו שהשגיאות הזעירות שמטרידות מחשבים קוונטיים אינן מופיעות באקראי. במקום זאת הן יכולות להישאר במחשב, להתפתח לאורך זמן, ואפילו להתחבר זו לזו בין רגעים שונים.

“אפשר לחשוב על זה כאילו מחשבים קוונטיים שומרים זיכרון של השגיאות,” אומרת ד״ר ג׳יארמאצי. “הזיכרון הזה יכול להיות קלאסי או קוונטי, בהתאם לאופן שבו השגיאות מקושרות זו לזו.”

“פרוטוקולים קוונטיים רבים מניחים שלמחשבים קוונטיים אין זיכרון כזה (כלומר שהתנהגותם ‘מרקוביאנית’), אבל זה פשוט לא נכון.”

ההתנהגות הזו היא אחד המכשולים המרכזיים בדרך לבניית מחשבים קוונטיים מעשיים בקנה מידה גדול.

“הצלחנו לשחזר את כל ההתפתחות של תהליך קוונטי לאורך כמה נקודות זמן, דבר שלא נעשה קודם,” אמרה ד״ר ג׳יארמאצי. “זה מאפשר לנו לראות לא רק מתי רעש מופיע, אלא איך הוא נישא לאורך הזמן.”

פריצת הדרך פותחת אפשרות לשיטות מתקדמות יותר למידול, חיזוי ותיקון שגיאות במכשירים קוונטיים. ולא רק בשבבים מוליכי־על, אלא גם במערכות כמו יונים כלואים ו וקיוביטי ספין.

“פתחנו חלון חדש לאופן שבו מערכות קוונטיות מתנהגות לאורך זמן, כאשר השגיאות שלהן מקושרות,” אמרה ד״ר ג׳יארמאצי. “זה חיוני אם אנחנו רוצים שמחשבים קוונטיים יהפכו באמת לשימושיים ולחסרי שגיאות.”

כדי להגיע לכך, הצוות ערך סדרת ניסויים על מעבדים קוונטיים מתקדמים מסוג מוליכי־על. חלקם נערכו במעבדה באוניברסיטת קווינסלנד, ואחרים בוצעו דרך מחשבים קוונטיים מבוססי ענן של IBM.

ניסיונות קודמים “למפות” את התנהגות המערכת הקוונטית לאורך זמן נתקלו כולם באותה בעיה: אחרי שמודדים מערכת קוונטית באמצע ניסוי, אי אפשר “להכין” אותה שוב בחופשיות לשלב הבא. ההכנה תלויה בתוצאת המדידה, שהיא 0 או 1.

השיטה החדשה פותרת זאת באמצעות תרגיל חכם: מניחים שב־50% מהמקרים תוצאת המדידה הייתה 1, וב־50% הנותרים היא הייתה 0. לאחר מכן משתמשים בתוכנה כדי “לעבוד לאחור” עם הנתונים ולהסיק באיזה מצב הייתה המערכת.

“החומרה יכלה לעשות את זה,” אמר שותף המחקר ד״ר פאביו קוסטה מ־Nordita בשטוקהולם. “מה שאנחנו פיצחנו הוא איך בפועל להכין את המערכת לאחר מדידה באמצע המעגל.”

החוקרים מצאו שגם המכונות הקוונטיות הטובות ביותר כיום מציגות דפוסי רעש עדינים אך חשובים שמקושרים בזמן. בין היתר, מדובר גם ברעש שהוא קוונטי באופיו ומקורו בקיוביטים סמוכים על אותו שבב.

הבנת הדפוסים האלה תסייע למדענים לתכנן כלים טובים יותר לאפיון מערכות ולתיקון שגיאות. זהו צעד חיוני בדרך למחשבים קוונטיים אמינים, “סובלניים לתקלות” (fault-tolerant).

“זה מתגמל כשרואים מודלים תיאורטיים קורמים עור וגידים על חומרה אמיתית, ובמיוחד כשהם יכולים לעזור לפתח את החומרה עצמה,” אמר טיילר ג׳ונס, שעבד על הפרויקט כדוקטורנט באוניברסיטת קווינסלנד. “אפיון חזק של קורלציות בזמן במערכות קוונטיות הוא הכרחי בדרך לבניית מכונות קוונטיות עוצמתיות.”

הצוות הפך את נתוני הניסוי ואת הקוד לזמינים באופן פתוח, והמחקר המלא פורסם בכתב העת Quantum.

למאמר בכתב העת Quantum

הפוסט צוות מחקר אוסטרלי גילה מדוע למחשבים קוונטיים יש “בעיות זיכרון” לאורך זמן הופיע לראשונה ב-Chiportal.

חוקרים הצליחו לראשונה לצפות באופן ישיר בשני מנגנונים נפרדים שבאמצעותם הספינים של אלקטרונים מתהפכים בתוך חומר אנטיפרומגנטי – סוג של חומר שבו כיווני הספין המנוגדים מבטלים זה את זה. אחד ממסלולי ההיפוך הללו עשוי לשמש בסיס לפיתוח טכנולוגיות זיכרון ולוגיקה אולטרה-מהירות ובלתי נדיפות, שיפעלו הרבה יותר מהר מהמערכות המתקדמות ביותר הקיימות כיום. המחקר פורסם לאחרונה בכתב העת Nature Materials.

במהלך ההיסטוריה של המחשוב, מידע ייצגנו כ-0 ו-1 באמצעות אמצעים שונים: מנייר מנוקב ומוטות מתכת, דרך שפופרות ריק ועד לטרנזיסטורים. ככל שהדרישה לעוצמת חישוב ממשיכה לעלות, חוקרים מחפשים דרכים חדשות לקודד נתונים.

חומרים אנטיפרומגנטיים הפכו למועמדים מבטיחים במסגרת חיפוש זה, משום שההתנהגות המגנטית הלא-שגרתית שלהם – או למעשה כמעט היעדר תגובה מגנטית – יכולה לאפשר כתיבה של מידע דיגיטלי בדרכים חדשות לגמרי.

העבודה בוצעה בידי צוות בראשות ריו שימאנו (Ryo Shimano) מאוניברסיטת טוקיו.

„במשך שנים רבות", אומר שימאנו, „מדענים האמינו שחומרים אנטיפרומגנטיים כמו Mn₃Sn ‏(מנגן-בדיל, Mn3Sn) מסוגלים להחליף את המגנטיזציה שלהם במהירות עצומה. אבל לא היה ברור אם מיתוג בלתי נדיף כזה יכול להסתיים בתוך כמה עד עשרות פיקו-שניות, או כיצד בדיוק משתנה המגנטיזציה במהלך תהליך ההיפוך".

פתרון לחידה ותיקה

השאלה הגדולה הייתה האם המנגנון מונע בידי החום שמופק מהזרם החשמלי, או בידי הזרם עצמו. כדי לענות על כך, יצאו החוקרים „לצלם" את המנגנון. הם הכינו שכבה דקה של Mn3Sn והעבירו דרכה פולסים קצרים של זרם חשמלי. לאחר מכן, באמצעות הבזקי אור אולטרה-מהירים ומתוזמנים בדיוק, שנשלחו בעיכובים שונים ביחס לפולס החשמלי, הם ניסו ליצור „תמונת סטופ-מושן" של השינוי במגנטיזציה.

המדידה התבססה על מיקרוסקופיה מגנטו-אופטית רגישה במיוחד, המנטרת שינויים זעירים מאוד באות האופטי.

„החלק המאתגר ביותר בפרויקט", נזכר שימאנו, „היה למדוד את השינויים הזעירים באות המגנטו-אופטי. אבל הופתענו לגלות עד כמה תהליך המיתוג נראה בבירור ברגע שמצאנו את השיטה הנכונה".

שני מנגנונים נחשפים

התוצאה הייתה משהו שלא נראה עד כה: ויזואליזציה פריים-אחר-פריים של השינוי בדפוס המגנטי. הרצף הראה שהמיתוג מתרחש בשני תהליכים מובחנים, בהתאם לעוצמת הזרם: תהליך אחד מונע תרמית כאשר הזרם גדול, ותהליך שני שאינו מלוּוה בחימום משמעותי כאשר הזרם חלש יותר.

התהליך הלא-תרמי, המתרחש בעוצמות זרם נמוכות, עשוי לספק בסיס לפיתוח התקני ספינטרוניקה אמינים לדור הבא – עבור מחשוב, תקשורת ואלקטרוניקה מתקדמת. היכולת לבצע היפוך ספינים אולטרה-מהיר ללא חימום משמעותי היא מפתח קריטי לזיכרונות מהירים ובלתי נדיפים.

לדברי שימאנו, הממצאים פותחים דלת לחקר גבולות חדשים:

„התצפית המהירה ביותר שלנו על מיתוג חשמלי ב-Mn₃Sn היא 140 פיקו-שניות (140 טריליוניות השנייה), והמגבלה העיקרית מגיעה מאורך פולסי הזרם שניתן לייצר במכשיר שלנו. עם זאת, הממצאים מרמזים שהחומר עצמו עשוי להתהפך אפילו מהר יותר בתנאים מתאימים. בעתיד אנחנו שואפים לחקור את הגבולות האולטימטיביים הללו באמצעות יצירת פולסי זרם קצרים עוד יותר ואופטימיזציה של מבנה ההתקן".

הפוסט מדענים צפו בהיפוך ספיני אלקטרון בתוך 140 טריליוניות השנייה הופיע לראשונה ב-Chiportal.

המוח האנושי עדיין מנצח את מעבדי ה־AI בפער עצום – לא רק ביכולות, אלא בעיקר ביעילות האנרגטית. בהרצאה שנעלה את המושב על IoT ובינה מלאכותית בכנס 2025 TSMC Europe Open Innovation Platform (OIP) Ecosystem Forum באמסטרדם, הציג פרופ’ כריסטיאן מייר, ראש הקתדרה Highly Parallel VLSI Systems ב-TU Dresden, כיצד פרויקט המחשוב הנורומורפי SpiNNaker-2 מנסה להתקרב לביצועים של המוח, ולהריץ מודלים גדולים של בינה מלאכותית בזמן אמת – בעלות אנרגטית נמוכה בהרבה מזו של כרטיסי GPU קלאסיים.

מייר מוביל קבוצת מחקר של יותר מ־40 מהנדסים וחוקרים – מתכנני אנלוג ודיגיטל, אנשי אלגוריתמיקה ל-AI, ביוטכנולוגים ורובוטיקאים – שסביבה צמחו כמה ספין־אופים, ובהם Racyics, Siliconally, SpiNNcloud Systems ו-Silicon Matter. יחד מדובר באקו־סיסטם של יותר מ־250 אנשים. הקבוצה ביצעה בעשור האחרון עשרות טייפ־אאוטים של מערכות SoC מורכבות, מתהליכי 90 ננומטר ועד 22 ננומטר, המשמשים כ־30 קבוצות חיצוניות.

נקודת הפתיחה של מייר חדה: כיום יש פער של כ־שבעה סדרי גודל ביעילות האנרגטית בין המוח לבין חומרת ה-AI הטובה ביותר. לדבריו, כדי לבצע משימה חישובית מסוימת, המוח צורך בערך ‎10⁷‎ פחות אנרגיה מאשר מערכות אימון והסקה מודרניות. חלק מהפער הזה כבר מתחיל להיסגר באמצעים כמו זיכרון חישובי (in-/near-memory computing), חישוב בדיוק מופחת (reduced precision) ודילול סטטי של רשתות נוירונים (static sparsity). כל אחד מן הכיוונים הללו נותן בערך סדר גודל אחד של שיפור, יחד כשלושה סדרי גודל – “אבל עדיין נשארים לנו בערך ארבעה סדרי גודל באוויר”, כפי שהוא מנסח זאת. כדי לסגור אותם, צריך, לדבריו, ללמוד מהמוח עצמו.

המוח עובד בתדר נמוך יחסית – סדר גודל של מאה הרץ – אבל עם כ־80 מיליארד נוירונים שפועלים במקביל ובאופן א־סינכרוני. אין “טיק” גלובלי שמחכה שכולם יסיימו; מידע נכנס, משולב ומעובד כל הזמן. מערכות על־חישוב (HPC) קלאסיות, לעומת זאת, נתקעות על מגבלת אמדאל: גם אם מוסיפים עוד ועוד ליבות, חלק מהקוד נשאר סדרתי והאצה נעצרת. המוח פותר זאת בכך שהחישוב הוא אירועי וזמני – כל נוירון מגיב כשהוא צריך, לא כשמגיע תורו בשעון אחיד. זו גם נקודת המפתח לחיסכון האנרגטי: לא כל היחידות עובדות כל הזמן, אלא רק כאשר יש מידע רלוונטי.

כאן נכנסת לתמונה האסטרטגיה הכפולה שמייר הציג: שינוי ברמת האלגוריתם ושינוי ברמת החומרה. ברמת האלגוריתם, אחת הדוגמאות היא מודלים מסוג mixture-of-experts: במקום להפעיל בכל שאילתה את כל פרמטרי המודל, אפשר לבחור רק חלק זעיר מהרשת – למשל אלפית מן הנוירונים – בהתאם לתוכן השאילתה. תיאורטית, זה נותן שלושה סדרי גודל חיסכון באנרגיה, משום שרוב ה"נוירונים" במודל אינם נכנסים לפעולה. בפועל, על GPU רגיל אפשר לממש אולי סדר גודל אחד בלבד, משום שהמעבד לא בנוי לעבודה כל־כך דינמית וספרסית: גם כשהוא “מדלל” את הרשת, הוא עדיין משלם כמעט את כל מחיר הגישה לזיכרון והתקשורת.

לכן, טוען מייר, נדרשת גם חומרה חדשה – חומרה נורומורפית. השכבה הראשונה שהוא מציג היא שבבי Thin-Edge ASICs לעיבוד מקדים מהיר של רשתות עצביות בקצה הרשת. הרעיון: לא לשלוח לענן זרם גולמי של וידאו או חיישנים, אלא לבצע כבר בקצה חישוב עשיר – דחיסה, סאב־סמפולינג, חילוץ מאפיינים, סיווג ראשוני ורשתות חוזרות (RNN) פשוטות – ולהעביר למרכז רק ייצוג דחוס מאוד. בדוגמה שנתן: מצלמה אירועית (event-based) שמגיבה רק לשינויים בתמונה. צומת הקצה יכול להחליט “עכשיו מחפשים מכוניות” או “עכשיו מחפשים אופניים”, ולכן להפעיל רק את המאפיינים הרלוונטיים בתמונה ולהתמקד בזמן אמת רק באזורים מעניינים בסצנה.

מעל שכבת ה-Thin-Edge יושב המחשב הנורומורפי SpiNNaker-2 – מערך ענק של שבבים עם מאות ליבות ועשרות מאיצים נורומורפיים על כל שבב. לפי מייר ועמיתיו, המערכת השלם מיועדת להגיע לכ-10 מיליון ליבות ARM על פני כ־16 ארונות שרתים – שדרוג של פי עשרה לעומת הדור הראשון, SpiNNaker-1. כל שבב כולל לא רק ליבות כלליות, אלא גם מאיצים לרשתות עמוקות, חישוב הסתברותי, מקורות אקראיות ויחידות המתאימות במיוחד לרשתות "קופצות" (spiking neural networks). הזיכרון הפנימי בנוי כ-scratchpad גמיש שיכול לשמש בזמן ריצה כ-L1 או L2, לפי צורך. רשת-על-שבב ורשת התקשורת בין השבבים מעוצבות כך שחבילות אירועיות קטנות יגיעו לקצה השני של המכונה בתוך מילישנייה, כל עוד לא חוצים את מגבלת רוחב-הפס – דרישה קריטית כשמפעילים, למשל, צי של עשרות אלפי רובוטים עירוניים בזמן אמת ממרכז נתונים אחד.

כדי שהמחשב הזה יהיה באמת "פרופורציונלי לאירועים", נדרשה גם הנדסת אנרגיה קיצונית. מייר הסביר שהשבבים מתוכננים לפעול במתחים נמוכים מאוד, סביב חצי וולט ואף פחות, ובפינות תהליך של זליגה נמוכה – כדי להוריד את צריכת הסטנד-ביי כמעט לאפס. כך, כרטיס אחד של המערכת צורך אמנם כמה מאות ואט כשהוא פועל בעומס מלא, מספר דומה לזה של כרטיס NVIDIA A100, אך עומד על כמה ואטים בודדים במצב ממתין, לעומת עשרות רבות של ואטים ב-GPU קלאסי גם כשהוא “לא עושה כלום”. עבור עומסים אירועיים – מצלמות שמדי פעם "מתעוררות", חיישנים שמדווחים רק כשמשתנה משהו או מודל שפה גדול שלא כל הלקוחות מדברים איתו כל הזמן – המשמעות היא חיסכון משמעותי בעלות האנרגיה המצטברת.

המערכת כבר נמצאת בשירות לשורה של יישומים ניסיוניים ותעשייתיים. ספין-אוף החברה SpiNNcloud Systems משווקת מערכות מבוססות SpiNNaker-2 למרכזי מחקר ולחברות, בין היתר לחקר תרופות, רובוטיקה ועיבוד זמן-אמת של נתוני חישה בקנה מידה גדול. באפריל 2025 הודיעה TU Dresden כי מערכת SpiNNcloud בקמפוס נכנסה לפעולה עם כ-35 אלף שבבים ויותר מחמישה מיליון ליבות.

בסיום ההרצאה חזר מייר לנקודת המוצא: אם רוצים שבינה מלאכותית תתקרב באמת ליעילות של המוח, אי-אפשר רק "להאיץ" אלגוריתמים קיימים על חומרה קיימת. צריך לשאול בכל רמה – מהאלגוריתם, דרך האופן שבו מידע מיוצג ומועבר, ועד הארכיטקטורה הפיזית של השבב – איך המוח היה פותר את הבעיה בצורה א־סינכרונית, ספרסית ודינמית. רק שילוב כזה, לדבריו, יוכל לצמצם באמת את פער שבעת סדרי הגודל בין המוח האנושי למחשבי ה-AI של היום.

הפוסט לקרב את המחשבים ליעילות האנרגטית של המוח הופיע לראשונה ב-Chiportal.

חוקרים מבית הספר להנדסת חשמל ומחשבים באוניברסיטת תל אביב פיתחו שיטה פורצת דרך לתכנון רכיבים אופטיים זעירים בעזרת בינה מלאכותית. השיטה מאפשרת לעצב רכיבי אופטיקה שטוחים – המכונים מטא-משטחים – בתוך דקות ספורות בלבד, במקום שעות ואף ימים כפי שהיה נהוג עד כה. מדובר בקפיצת מדרגה משמעותית בתחום האופטיקה, עם פוטנציאל לשנות את הדרך בה מפתחים מצלמות, חיישנים, ומערכות מציאות רבודה.

המחקר נערך בהובלת תלמידי המחקר ליאב חן וארז יוסף, בהנחיית החוקרים פרופ' רג'א ג'יריס, פרופ' דן רביב ופרופ' קובי שויער, כולם מבית הספר להנדסת חשמל ומחשבים באוניברסיטת תל אביב.  המחקר פורסם בכתב העת המדעי ACS Photonics

צוות החוקרים מסביר כי בעשורים האחרונים עולם האופטיקה עובר שינוי דרמטי: במקום עדשות ורכיבים אופטיים עבים וכבדים, חוקרים מפתחים "מטא-משטחים" — מבנים דקים במיוחד בעובי של כמה מאות ננומטרים (מיליוניות המילימטר), הבנויים ממבנים זעירים הנקראים מטא-אטומים. מטא-משטחים מסוגלים לשלוט בכיוון, בעוצמה ובקיטוב של אור, ובכך לבצע פעולות שבעבר דרשו רכיבים גדולים ויקרים.

תכנון של מטא-משטח הוא משימה הנדסית מורכבת במיוחד. מדובר בבעיית "תכנון הופכי" – כאשר ידוע כיצד רוצים שהאור יתנהג, אך לא ידוע כיצד צריך להיראות המבנה הפיזי שיגרום לכך. עד כה, פתרון הבעיה דרש סימולציות ממושכות שנמשכו לעיתים ימים שלמים.

במסגרת המחקר החדש החוקרים באוניברסיטת תל אביב הצליחו לקצר את התהליך באופן דרמטי באמצעות מודל דיפוזיה – סוג מתקדם של רשת עצבית גנרטיבית (Generative AI), הדומה למודלים היוצרים תמונות, אך כאן הוא משמש לעיצוב מבנים אופטיים זעירים.

החוקרים יצרו מאגר עצום של דוגמאות הממפות בין מבנה של מטא-משטח לבין דפוס פיזור האור שהוא יוצר. המודל למד את הקשרים המורכבים הללו, ולאחר מכן הצליח לייצר עיצובים חדשים בזמן שיא – פחות מ־30 דקות – וברמת דיוק גבוהה מאוד.

החוקרים הדגימו את יעילות השיטה על מגוון משימות אופטיות, בהן עיצוב מטא-משטח המפצל קרן אור למספר כיוונים שווים, וכן רכיב שמפריד בין אור מקוטב אופקית לאור מקוטב אנכית – פונקציה חשובה במערכות אופטיות מתקדמות.

מעבר לכך, השיטה שפותחה גמישה וניתנת להתאמה למשימות חדשות, סוגי חומרים שונים ותנאים פיזיקליים מגוונים – הודות למנגנון ייחודי לבניית מערכי נתונים באיכות גבוהה לאימון המודל. לדברי החוקרים, השיטה החדשה ממחישה כיצד בינה מלאכותית גנרטיבית – טכנולוגיה המזוהה בעיקר עם יצירת אמנות ותמונות – יכולה להפוך לכלי מדעי והנדסי עוצמתי. בעתיד, גישות מסוג זה עשויות לאפשר עיצוב בזמן אמת של עדשות וחיישנים בהתאמה אישית, לייעל את תהליכי הייצור, ולתרום לפיתוח טכנולוגיות חדשות בתחומי הרפואה, התקשורת והאלקטרוניקה הלבישה.

הפוסט קפיצת מדרגה באופטיקה: בינה מלאכותית מאיצה תכנון מטא-משטחים זעירים הופיע לראשונה ב-Chiportal.