حافظه نوری (Fiber Memory)؛ تحولی در نگهداری داده‌های هوش مصنوعی در ۱۰۰۰ کیلومتر فیبر نوری

نگهداری و مدیریت حافظه در مدل‌های هوش مصنوعی (AI)، یکی از بزرگترین چالش‌های زیرساختی جهان امروز است. در این مقاله از مجله فیبران، به بررسی ایده‌ای انقلابی می‌پردازیم که توسط پژوهشگران دانشگاه اوپسالا (Uppsala University) مطرح شده است: حافظه فیبر نوری (Fiber Memory)؛ سیستمی که به جای تراشه‌های سنتی، داده‌های هوش مصنوعی را در حلقه‌ای از نور ذخیره می‌کند.

شتاب‌دهنده‌های حافظه مبتنی بر فیبر حلقه فیبر 2

حافظه فیبر نوری چیست؟

پروژه Fiber Memory یا حافظه فیبر نوری، رویکردی نوین برای ذخیره‌سازی داده‌های مدل‌های زبانی بزرگ (LLM) است. در این طرح، داده‌های مدل هوش مصنوعی به صورت سیگنال‌های نوری در یک حلقه ۱۰۰۰ کیلومتری از فیبر نوری در جریان هستند. تراشه‌های پردازشی (GPUها) مانند مشتریانی که از یک نوار نقاله سوشی غذا برمی‌دارند، داده‌های مورد نیاز خود را در حین عبور نور از کنارشان دریافت می‌کنند. این روش پتانسیل کاهش مصرف انرژی تا ۴ برابر را نسبت به حافظه‌های HBM سنتی دارد.

جدول 1: مقایسه حافظه سنتی و حافظه فیبر نوری

ویژگی	حافظه سنتی (HBM)	حافظه فیبر نوری (Fiber Memory)
محل ذخیره	حافظه محلی هر تراشه (Onboard)	جریان مداوم نور در حلقه فیبر
تکرار داده	کپی کامل مدل در هر تراشه (افزونگی بالا)	توزیع یکپارچه برای همه تراشه‌ها
مصرف انرژی	بسیار بالا (به دلیل حجم زیاد حافظه)	بهینه (کاهش حدود ۴ برابری)
تأخیر (Latency)	ناچیز (دسترسی مستقیم)	۵ میلی‌ثانیه (برای هر دور کامل حلقه)

چرا به حافظه فیبر نوری نیاز داریم؟

در مراکز داده هوش مصنوعی امروزی، هر یک از ۱۰ هزار تراشه محاسباتی (شتاب‌دهنده یا GPU)، یک کپی کامل از مدل را در حافظه داخلی خود (HBM) نگه می‌دارد. به عنوان مثال، یک مدل Llama 3 70B فشرده، حجمی معادل ۷۰ گیگابایت دارد. این یعنی برای ۱۰ هزار تراشه، باید ۷۰۰ ترابایت حافظه بسیار گران‌قیمت مصرف شود تا دقیقاً یک داده مشابه ۱۰ هزار بار تکرار شود. این اتلاف منابع، هزینه‌های سرسام‌آوری را به صنعت تحمیل کرده است. اگر شما با پر شدن حافظه سیستم شخصی خود در حین اجرای مدل‌ها مشکل دارید، مقیاس این فاجعه در ابعاد دیتاسنترهای هوش مصنوعی ۱۰ هزار برابر بزرگتر است.

عملکرد پروژه Fiber Memory: ایده‌ای الهام‌گرفته از گذشته

راهکار هانا آتمر (Hannah Atmer) و تیمش، شباهت عجیبی به یک “نوار نقاله سوشی” دارد. در این معماری، یک سرور اصلی، ۱۲۸ گیگابایت داده (شامل وزن‌های مدل و فضای اضافی) را به داخل حلقه فیبر نوری تزریق می‌کند. این داده‌ها با سرعت خیره‌کننده ۲۵.۶ ترابایت بر ثانیه (TB/s) به صورت پیوسته در حال چرخش هستند.

هر شاسی (Chassis) در این شبکه، تنها ۱٪ از نور عبوری را به عنوان سهم خود برداشت می‌کند و ۹۹٪ مابقی را برای شاسی‌های بعدی عبور می‌دهد. نکته شگفت‌انگیز اینجاست که این ایده کاملاً جدید نیست؛ در دهه ۱۹۴۰ میلادی، اولین کامپیوترها داده‌های خود را به صورت امواج در لوله‌های جیوه ذخیره می‌کردند که به آن حافظه خط تأخیر (Delay-line memory) می‌گفتند. اکنون این مفهوم کلاسیک در ابعادی مدرن و نوری بازگشته است.

شتاب‌دهنده‌های حافظه مبتنی بر فیبر حلقه فیبر

مزایا و چالش‌های فنی در نگاه اول

این سیستم تنها برای داده‌های ثابت (مانند وزن‌های مدل‌های از پیش آموزش‌دیده) کارایی دارد. عملیات محاسباتی جاری همچنان در حافظه‌های محلی سریع انجام می‌شوند.

مزایای کلیدی:
کاهش مصرف انرژی: محاسبات نشان می‌دهد که مصرف انرژی برای تحویل وزن‌های مدل در این سیستم حدود ۲۸۴.۸ کیلووات است، در حالی که در سیستم‌های HBM سنتی این عدد به ۱۰۲۴ کیلووات می‌رسد.
مقیاس‌پذیری: حذف نیاز به کپی کردن داده‌های حجیم در هر تراشه.
چالش‌ها و ریسک‌ها:
تأخیر (Latency): اگر تراشه‌ای داده مورد نیاز خود را در لحظه عبور دریافت نکند، باید ۵ میلی‌ثانیه منتظر بماند تا حلقه کامل شود؛ زمانی که برای پردازنده‌های گرافیکی (GPU) عملاً یک ابدیت محسوب می‌شود.
پیچیدگی زیرساختی: اجرای عملی این ایده نیازمند پیاده‌سازی بیش از ۲۸۰ تقویت‌کننده (Amplifier) در مسیر حلقه و هزاران قطعه جانبی دیگر است که هنوز به صورت یکپارچه در مقیاس صنعتی آزمایش نشده است.

پرسش‌های متداول (FAQ)

۱. آیا حافظه فیبر نوری جایگزین رم‌های فعلی خواهد شد؟

خیر، این تکنولوژی جایگزین حافظه‌های رم معمولی نیست. Fiber Memory به عنوان یک حافظه جانبی برای ذخیره وزن‌های ثابت مدل‌های هوش مصنوعی طراحی شده است تا بار ترافیکی و حافظه مورد نیاز هر GPU را به شدت کاهش دهد.

۲. سرعت انتقال در حافظه فیبر نوری چقدر است؟

در مدل پیشنهادی تیم دانشگاه اوپسالا، داده‌ها با سرعت فوق‌العاده ۲۵.۶ ترابایت بر ثانیه (TB/s) در طول حلقه فیبر نوری حرکت می‌کنند.

۳. چرا این روش مصرف انرژی کمتری دارد؟

به جای اینکه هر تراشه به صورت مستقل حافظه HBM (که بسیار انرژی‌بر است) را برای نگه داشتن کپی‌های تکراری داده‌ها روشن نگه دارد، تمام تراشه‌ها از یک جریان نوری مشترک استفاده می‌کنند که منجر به بهینه‌سازی عظیم در مصرف برق می‌شود.

۴. بزرگترین محدودیت فعلی این فناوری چیست؟

مهم‌ترین محدودیت، تأخیر زمانی (Latency) است. اگر تراشه نتواند داده را در لحظه دریافت کند، باید ۵ میلی‌ثانیه برای دور بعدی حلقه صبر کند که برای پردازش‌های بلادرنگ هوش مصنوعی می‌تواند مشکل‌ساز باشد.

۵. آیا این فناوری هم‌اکنون قابل خرید است؟

خیر، این فناوری در حال حاضر در مرحله تحقیقاتی و مقالات علمی است. هیچ نمونه تجاری از آن ساخته نشده است، هرچند قطعات پایه آن (مثل تقویت‌کننده‌های نوری و سوئیچ‌های فوتونیک) در صنعت موجود هستند.

نتیجه‌گیری:

آیا Fiber Memory آینده دیتاسنترها خواهد بود؟ هنوز برای قضاوت زود است، اما این طرح نشان می‌دهد که برای حل بحران حافظه در هوش مصنوعی، نباید تنها به فکر سریع‌تر کردن تراشه‌ها بود. گاهی اوقات، راه حل در بازگشت به اصول قدیمی با تکنولوژی‌های نوری پیشرفته نهفته است.

حافظه نوری (Fiber Memory)