Revolusi AI Edge: Sistem Neural Optik Hibrida untuk Klasifikasi Gambar Real-Time Pasif

      Kecerdasan buatan (AI) di perangkat edge terus menghadapi tantangan signifikan, terutama terkait dengan konsumsi energi dan latensi pergerakan data melalui hierarki memori elektronik. Keterbatasan ini, yang sering disebut sebagai "von Neumann bottleneck," adalah karakteristik struktural dari perangkat keras digital serbaguna. Setiap proses inferensi modern secara berulang membaca bobot dari memori, mengalirkan aktivasi melalui bus, dan melakukan komputasi secara serial melalui pipa yang diatur oleh jam, memakan energi dan waktu yang substansial.

      Konteks ini menciptakan hambatan desain serius bagi platform yang sangat bergantung pada efisiensi seperti mikrosistem otonom, muatan satelit, sensor implan, atau sistem kritis latensi lainnya. Untuk mengatasi batasan ini, penelitian baru mengarah pada komputasi optik, sebuah paradigma yang secara fundamental berbeda. Sistem optik memungkinkan sebagian beban kerja bergeser ke fisika gelombang; setelah gelombang masukan diluncurkan ke medium terstruktur, propagasi, difraksi, dan interferensi secara bersamaan akan melakukan transformasi linier yang biayanya ditentukan oleh fisika gelombang, bukan oleh aritmetika jam. Sebuah paper berjudul Photonic AI: A Hybrid Diffractive–Holographic Neural System for Passive Optical Real-Time Image Classification dari Prakul Sunil Hiremath (2026) memperkenalkan solusi inovatif untuk masalah ini.

Mengatasi Keterbatasan AI di Edge dengan Optik

      Di berbagai aplikasi, mulai dari pengawasan cerdas hingga analisis lalu lintas real-time, kemampuan untuk memproses informasi dengan cepat dan efisien di edge sangat krusial. Namun, pendekatan digital tradisional seringkali terbentur pada batasan daya dan pendinginan, terutama pada perangkat kecil atau yang beroperasi secara mandiri. Pergeseran data yang konstan antara unit pemrosesan dan memori menciptakan kemacetan yang menghambat kecepatan dan meningkatkan konsumsi energi.

      Komputasi optik menawarkan alternatif yang menarik. Dengan memanfaatkan sifat-sifat cahaya, seperti difraksi dan interferensi, sistem ini dapat melakukan transformasi komputasi secara paralel, pada kecepatan cahaya, dan dengan biaya energi yang lebih rendah. Energi yang dibutuhkan lebih banyak bergantung pada sumber iluminasi daripada jumlah bobot yang diterapkan. Ini berarti tugas inferensi dapat dilakukan oleh objek fisik pasif yang memodifikasi gelombang cahaya, bukan oleh serangkaian operasi aritmetika elektronik yang berurutan. ARSA Technology memahami pentingnya komputasi di edge dengan latensi rendah dan telah mengembangkan solusi seperti ARSA AI Box Series, yang mengintegrasikan hardware AI dengan software analitik video untuk deployment cepat di lokasi dengan infrastruktur terbatas.

Inovasi Sistem Neural Optik Hibrida

      Selama ini, upaya untuk merealisasikan sistem inferensi optik yang praktis telah mengikuti tiga jalur yang sebagian terpisah. Pertama, Jaringan Neural Optik Difraktif (D2NN) menunjukkan bahwa masker fasa pasif berjenjang dapat dioptimalkan secara end-to-end untuk mendekati pemetaan input-output yang ditargetkan, membuktikan kapasitas representasi propagasi difraktif ruang bebas untuk tugas klasifikasi. Kedua, akselerator nanophotonik terintegrasi menunjukkan bahwa interferensi optik dapat mengimplementasikan aljabar linier, terutama perkalian matriks-vektor, pada skala chip dengan karakteristik energi per operasi yang menguntungkan. Ketiga, sistem holografik dan pembentukan gelombang menunjukkan bahwa media optik terstruktur dapat mengkodekan dan merekonstruksi bidang kompleks berdimensi tinggi.

      Meskipun ada kemajuan ini, terdapat diskontinuitas konseptual yang terus-menerus di ketiga bidang tersebut: kesenjangan antara objek matematis yang dioptimalkan selama pelatihan (tensor fasa atau matriks bobot) dan objek fisik yang melakukan inferensi (elemen optik yang difabrikasi). Paper ini secara langsung mengatasi kesenjangan tersebut. Sebuah operator formal bernama Holographic Interference-Based Learning (HIBL) diperkenalkan. Operator HIBL ini memetakan distribusi fasa yang dipelajari ke pola interferensi yang dapat direkam secara fisik dan konsisten dengan perekaman holografik serta batasan fabrikasi. HIBL bukanlah mekanisme penyimpanan pasca-hoc; ini adalah operator dalam model komputasi, dan inklusinya mengubah kerangka inferensi optik dari "mengoptimalkan masker fasa" menjadi "mempelajari medium terstruktur."

      Sistem yang dihasilkan dapat dibaca sebagai pemetaan komposisi dua tahap: satu untuk inferensi dan satu untuk realisasi fisik. Jalur inferensi adalah kaskade difraktif standar, sementara jalur realisasi diatur oleh HIBL dan peta fabrikasi. Kedua jalur ini saling terkait: apa yang dioptimalkan dalam pelatihan harus dapat diekspresikan dalam jalur realisasi. Ini memungkinkan representasi yang dipelajari untuk secara fisik tertanam dalam media optik terstruktur, sehingga inferensi dieksekusi oleh transformasi gelombang melalui objek pasif yang difabrikasi. ARSA Technology, sebagai penyedia solusi AI & IoT yang berpengalaman sejak 2018, secara konsisten mengeksplorasi dan menerapkan inovasi dalam AI untuk memastikan solusi yang praktis dan sesuai dengan realitas operasional.

Mekanisme Kerja Sistem Photonic AI

      Perlakuan yang ketat terhadap inferensi optik memerlukan lebih dari sekadar analogi antara propagasi optik dan perkalian matriks. Ini memerlukan penjelasan yang tepat tentang jenis transformasi yang dapat dilakukan optik ruang bebas, di mana nonlinearitas muncul dan bagaimana interaksinya dengan pembelajaran, serta mengapa instansiasi fisik suatu transformasi berbeda dari eksekusi digitalnya.

      Sistem Photonic AI yang diusulkan bekerja dengan mengubah data masukan (misalnya, gambar) menjadi medan optik koheren. Medan optik ini kemudian mengalami transformasi bertingkat melalui lapisan-lapisan difraktif yang dioptimalkan secara end-to-end. Setiap lapisan adalah masker fasa pasif yang telah "dilatih" secara digital. Transformasi ini kemudian direalisasikan sebagai struktur fasa holografik yang kompatibel dengan fabrikasi melalui operator HIBL. Proses ini meliputi serangkaian operasi: pengkodean input, modulasi fasa oleh elemen optik, propagasi cahaya di ruang bebas, dan pengukuran intensitas di bidang detektor.

      Dalam konteks optik, medan skalar monokromatik dijelaskan oleh amplitudo kompleks yang mencakup informasi amplitudo dan fasa. Fasa inilah yang menjadi derajat kebebasan utama bagi elemen optik pasif untuk melakukan komputasi. Propagasi ruang bebas adalah operator linier pada medan ini, yang secara komputasi dapat dijelaskan dengan metode spektrum sudut (ASM). ASM menunjukkan bahwa propagasi adalah operator linier global yang bekerja dalam domain frekuensi spasial, mencampur semua posisi spasial dari medan input melalui filter spektral khusus fasa. Penting untuk dicatat bahwa pencampuran ini dilakukan oleh geometri dan persamaan gelombang, bukan oleh nilai bobot yang disimpan secara elektronik. Nonlinearitas dalam sistem ini masuk melalui photodetection, di mana intensitas cahaya diukur dan dikonversi menjadi keputusan klasifikasi tanpa memerlukan aritmetika floating-point dalam jalur propagasi.

Implementasi dan Potensi Aplikasi Nyata

      Untuk menguji kerangka komputasi ini, studi simulasi fisika-informasi dilakukan pada dataset MNIST. Sistem tiga lapis, dengan sekitar 25.000 elemen fasa, mampu mencapai akurasi uji sebesar 91,2%. Yang lebih penting adalah latensinya yang berskala nanodetik, yang sepenuhnya dibatasi oleh propagasi cahaya itu sendiri. Kontribusi utama dari penelitian ini bukanlah klaim kinerja semata, melainkan kerangka komputasi yang presisi. Ini menunjukkan bagaimana representasi yang dipelajari dapat secara fisik tertanam dalam media optik terstruktur, sehingga inferensi dieksekusi melalui transformasi gelombang dalam objek pasif yang difabrikasi, bukan melalui operasi perkalian-akumulasi elektronik berurutan.

      Implikasi praktis dari Photonic AI sangat besar, terutama untuk aplikasi yang membutuhkan kecepatan tinggi, konsumsi daya rendah, dan pemrosesan data lokal. Bayangkan sistem pengawasan yang dapat mengklasifikasikan objek atau aktivitas secara instan tanpa mengirimkan data video ke cloud, mengurangi risiko privasi dan latensi secara drastis. Atau sistem inspeksi kualitas di lingkungan manufaktur yang dapat beroperasi dengan efisiensi energi yang belum pernah ada sebelumnya. Dalam konteks ini, solusi AI Video Analytics ARSA dapat diperkuat dan ditingkatkan lebih lanjut dengan prinsip-prinsip komputasi optik ini.

      ARSA Technology secara aktif mengembangkan Custom AI Solution untuk berbagai industri, dan inovasi seperti Photonic AI membuka jalan baru untuk desain sistem yang lebih efisien dan tangguh. Kemampuan untuk mengintegrasikan pembelajaran dan realisasi fisik dalam satu objek pasif memberikan keunggulan kompetitif yang signifikan, memungkinkan pengembangan sistem AI yang tidak hanya cerdas tetapi juga sangat efisien dalam hal energi dan kecepatan.

      Sistem neural optik hibrida ini merepresentasikan langkah maju yang signifikan dalam komputasi AI, menawarkan cara untuk mengatasi batasan inheren dari arsitektur digital untuk beban kerja inferensi tertentu. Dengan menggeser komputasi ke ranah fisika gelombang, masa depan AI di edge dapat menjadi lebih cepat, lebih hemat energi, dan lebih terintegrasi dengan lingkungan fisik.

      Apakah Anda tertarik untuk menjelajahi bagaimana inovasi AI dan IoT dapat mengubah operasi bisnis Anda? Tim ahli ARSA Technology siap membantu Anda merancang dan mengimplementasikan solusi yang disesuaikan dengan kebutuhan unik perusahaan Anda. Untuk konsultasi lebih lanjut atau mempelajari lebih banyak tentang produk dan layanan kami, jangan ragu untuk menghubungi tim ARSA.

      Sumber: Hiremath, P. S. (2026). Photonic AI: A Hybrid Diffractive–Holographic Neural System for Passive Optical Real-Time Image Classification. arXiv preprint arXiv:2604.15364.