Оптические трансформеры: самарские учёные нашли способ сделать ИИ быстрее и экономичнее
20.03.2026
Представьте ИИ‑систему, которая работает в разы быстрее привычных нейросетей и при этом почти не расходует энергию. Звучит как фантастика? Но учёные Самарского университета имени Королёва вплотную приблизились к воплощению этой идеи. Они разработали новый подход к созданию оптических трансформеров — особых нейросетевых блоков, которые могут стать основой будущих ИИ‑моделей.
В чём суть инновации
Оптические трансформеры обрабатывают данные не с помощью электронных сигналов, а за счёт потоков фотонов и специальных оптических компонентов. У такого подхода есть весомые преимущества:
Но был и существенный недостаток: оптические системы уступали цифровым аналогам в точности обработки данных. До недавнего времени.
Прорыв в точности
Самарские исследователи предложили принципиально новый способ организации оптического умножения матриц. По словам профессора Артёма Никонорова, директора Института искусственного интеллекта университета, команда пошла нестандартным путём:
«Мы не стали изобретать схему с нуля, а взяли уже известную модель оптического матричного умножения и серьёзно её доработали. Где было возможно, заменили классические элементы на дифракционные. Но главное — мы иначе взглянули на проблему погрешности».
Дело в том, что при оптических вычислениях чем больше размерность обрабатываемых матриц, тем выше ошибка. Учёные нашли изящное решение: они интегрировали численную модель оптического умножения прямо в процесс обучения нейросети. Результат впечатлил даже самих разработчиков — система научилась самостоятельно компенсировать погрешности, сохраняя высокую точность.
«Получается своего рода „персонализация“ матричного умножения под конкретную задачу, — поясняет профессор Никоноров. — А если добавить в схему специальный элемент для дополнительной настройки параметров, точность нейросети вырастает ещё заметнее».
Как проверяли идею
Чтобы подтвердить гипотезу, учёные провели серию экспериментов. В тестах участвовали:
Один из ярких примеров успеха — снижение показателя перплексии в 1,5 раза. Для неспециалистов поясним: перплексия отражает, насколько хорошо языковая модель генерирует текст. Чем она ниже, тем точнее подбираются слова и связнее получается результат.
Секрет эффективности — в деталях
Ключевой компонент разработки — миниатюрный дифракционный элемент диаметром всего несколько миллиметров. Его создали в стенах университета из полимерного фоторезиста или кварца. Такие детали уже используют в сверхлёгких оптических системах для наноспутников.
Важное преимущество элемента — его пассивность. Он не требует энергозатрат, в отличие от цифровых нейросетей, где повышение точности достигается за счёт увеличения числа вычислений (и, соответственно, расхода энергии).
Что это даст миру
Высокое энергопотребление — один из главных тормозов развития ИИ. Мощные вычислительные системы, особенно графические карты, потребляют огромное количество энергии. Оптические вычисления могут стать решением проблемы.
«Будущее — за оптикой, — уверен Артём Никоноров. — На её основе появятся компактные, энергоэффективные и высокопроизводительные ИИ‑системы. Представьте себе дроны с бортовым ИИ, роботов с мгновенной реакцией или умные датчики интернета вещей, работающие годами от одной батарейки».
Что дальше
Сейчас команда учёных сосредоточена на создании аппаратного прототипа модифицированного оптического трансформера. Особое внимание уделяется разработке версии для использования на борту дронов — это откроет новые возможности для беспилотных технологий.
Результаты исследования будут представлены на престижной международной конференции ACM SenSys (ACM Conference on Embedded Networked Sensor Systems), которая пройдёт во Франции в мае 2026 года.
В чём суть инновации
Оптические трансформеры обрабатывают данные не с помощью электронных сигналов, а за счёт потоков фотонов и специальных оптических компонентов. У такого подхода есть весомые преимущества:
- высокая скорость работы — вычисления происходят почти мгновенно;
- энергоэффективность — системе не требуется мощное электропитание, в отличие от традиционных цифровых нейросетей.
Но был и существенный недостаток: оптические системы уступали цифровым аналогам в точности обработки данных. До недавнего времени.
Прорыв в точности
Самарские исследователи предложили принципиально новый способ организации оптического умножения матриц. По словам профессора Артёма Никонорова, директора Института искусственного интеллекта университета, команда пошла нестандартным путём:
«Мы не стали изобретать схему с нуля, а взяли уже известную модель оптического матричного умножения и серьёзно её доработали. Где было возможно, заменили классические элементы на дифракционные. Но главное — мы иначе взглянули на проблему погрешности».
Дело в том, что при оптических вычислениях чем больше размерность обрабатываемых матриц, тем выше ошибка. Учёные нашли изящное решение: они интегрировали численную модель оптического умножения прямо в процесс обучения нейросети. Результат впечатлил даже самих разработчиков — система научилась самостоятельно компенсировать погрешности, сохраняя высокую точность.
«Получается своего рода „персонализация“ матричного умножения под конкретную задачу, — поясняет профессор Никоноров. — А если добавить в схему специальный элемент для дополнительной настройки параметров, точность нейросети вырастает ещё заметнее».
Как проверяли идею
Чтобы подтвердить гипотезу, учёные провели серию экспериментов. В тестах участвовали:
- компактные языковые модели (Tiny LLM);
- облегчённые архитектуры компьютерного зрения (Tiny ViT);
- нейросеть для оценки кредитоспособности.
Один из ярких примеров успеха — снижение показателя перплексии в 1,5 раза. Для неспециалистов поясним: перплексия отражает, насколько хорошо языковая модель генерирует текст. Чем она ниже, тем точнее подбираются слова и связнее получается результат.
Секрет эффективности — в деталях
Ключевой компонент разработки — миниатюрный дифракционный элемент диаметром всего несколько миллиметров. Его создали в стенах университета из полимерного фоторезиста или кварца. Такие детали уже используют в сверхлёгких оптических системах для наноспутников.
Важное преимущество элемента — его пассивность. Он не требует энергозатрат, в отличие от цифровых нейросетей, где повышение точности достигается за счёт увеличения числа вычислений (и, соответственно, расхода энергии).
Что это даст миру
Высокое энергопотребление — один из главных тормозов развития ИИ. Мощные вычислительные системы, особенно графические карты, потребляют огромное количество энергии. Оптические вычисления могут стать решением проблемы.
«Будущее — за оптикой, — уверен Артём Никоноров. — На её основе появятся компактные, энергоэффективные и высокопроизводительные ИИ‑системы. Представьте себе дроны с бортовым ИИ, роботов с мгновенной реакцией или умные датчики интернета вещей, работающие годами от одной батарейки».
Что дальше
Сейчас команда учёных сосредоточена на создании аппаратного прототипа модифицированного оптического трансформера. Особое внимание уделяется разработке версии для использования на борту дронов — это откроет новые возможности для беспилотных технологий.
Результаты исследования будут представлены на престижной международной конференции ACM SenSys (ACM Conference on Embedded Networked Sensor Systems), которая пройдёт во Франции в мае 2026 года.