Від кремнію до світла: наступна хвиля апаратного забезпечення штучного інтелекту

Оскільки штучний інтелект (ШІ) продовжує ставати дедалі популярнішим і потужнішим, зростає і його прагнення до швидкості та енергії. Потреба в швидших, розумніших та ефективніших системах спонукала дослідників дослідити радикальну альтернативу: оптичні обчислення.

На відміну від традиційних процесорів, які використовують електрони, оптичні обчислення використовують фотони, або частинки світла, для передачі та обробки інформації. Цей зсув пропонує дві критичні переваги.

По-перше, фотони значно енергоефективні. Вони виробляють значно менше тепла, ніж електрони, які генерують стільки тепла, що це обмежує їхню продуктивність і вимагає великих і дорогих систем охолодження в центрах обробки даних.

По-друге, світло поширюється набагато швидше, ніж електричний струм, що дозволяє значно пришвидшити операції. Оптичні сигнали також можуть переносити більше інформації, пропонуючи простий шлях до чистіших і швидших обчислень.

В результаті, зараз спостерігається зростаючий інтерес до фотонних обчислень. Ця технологія демонструє багатообіцяючі результати в лабораторних умовах та залучає значні інвестиції від великих компаній.

Однак, втілення цього лабораторного успіху в практичні фотонні пристрої виявилося досить складним. Для цього нам спочатку потрібно подолати кілька перешкод. Фотони природним чином не взаємодіють один з одним, що ускладнює створення оптичних логічних вентилів, які є основоположними для обчислень. Крім того, ця технологія все ще перебуває на стадії досліджень, тому вона не має тієї зрілості та економії від масштабу, які має виробництво електронних мікросхем завдяки десятиліттям комерціалізації.

Потім є вартість, обсяг та низькі коефіцієнти модуляції обмежуючий більшість існуючих оптичних установок. 

Нове дослідження зробило важливий крок до подолання деякі обмеження шляхом розробки нове оптичний двигун, який поєднує швидкість, ефективність та компактність один чіп.

Дослідники з Університету Цінхуа розробили новаторську оптичну систему для обчислень, яка... виконує вилучення ознак з безпрецедентно низькою затримкою, який має потенціал для революції Обробка за допомогою штучного інтелекту.

Використання Використання світла, а не електрики для обробки даних дозволяє технології значно пришвидшити обчислення, мінімізуючи затримку, що є важливим кроком до штучного інтелекту в реальному часі.

В основі цієї нової системи лежить інтерферометр Маха-Цендера на основі напівпровідникового оптичного підсилювача, або SOA-MZI. 

SOA – це компактний пристрій, який безпосередньо підсилює світлові сигнали за допомогою вимушеного випромінювання. Тим часом, MZI, один із найстаріших оптичних приладів, є базовим хвилеводні інтерференції пристрій, що складається з двох з'єднувачів, з'єднаних два хвилеводи різної довжини.

Тепер налаштування SOA-MZI дозволяє світло до здійснювати робота, що лежить в основі глибокого навчання. Інформація тут обробляється, а функції як візерунки та краї виявляються у світловому сигналі, без конвертації їх назад в електрику.

Зауважимо, що сам a мультиплексування за довжиною хвилі (Широкий діапазон потужності), метод використовується пристроєм. Цей конкретний метод розщеплює світло на спектр кольорів, причому кожен колір несе свій власний потік даних. Використання WDM дозволяє чіпу працювати багато паралельні обчислення, таким чином зростаючий пропускна спроможність 

Під час випробувань у лабораторії двигун обробляв дані на швидкості швидкості до 10 гігабіт на секунду (Гбіт/с) на канал із затримкою лише в десятки пікосекунд (пс). Для контексту, один пс еквівалентний 1,000 фемтосекунд або одній тисячній наносекунди.

Ці результати показують, що двигун набагато швидший, ніж міг би будь-який електронний процесор. можливо сподіваюся досягти.

Що це швидкість означає в тому, що система може обробляти інформацію в реального часу, що робить це ідеальний для додатків як високочастотна торгівля, медична візуалізація, роботів хірургія, or автономні транспортні засоби. Ці програми покладаються на здатність штучного інтелекту швидко витягувати ключові функції з необроблених даних, тож навіть мілісекунди мають велике значення. 

Прорив: оптичний двигун Цінхуа та штучний інтелект у реальному часі

Закон Мура говорить кількість транзисторів на мікрочіпі подвоюється Про бренд кожен два років Це призводить до збільшення в обчислювальна потужність, зниження вартості та загальний менші пристрої.

Ця тенденція, яка стимулює інновації в напівпровідниковій промисловості, тепер здається добігає кінця. Зменшившись до розмірів лише кількох нанометрів, розміри транзисторів наближаються до фізичних меж кремнієвих технологій.

Окрім меншого розміру, що призводить до тунелювання електронів та струмів витоку що збільшуються споживання енергії та вироблення тепла, вартість виробництва передових мікрочіпів різко зросла. Тим часом, сам кремній досягає меж своєї продуктивності та масштабованості.

Цей саме тому дослідники та компанії досліджують альтернативні рішення такі як чіплети, система в корпусі (SiP), енергонезалежна пам'ять, квантові обчислення, біообчислення та, звичайно ж, фотоніка. 

Серед цих альтернатив фотоніка демонструє особливі перспективи для застосувань штучного інтелекту. Використовуючи силу світла, вилучення ознак, критичний крок у машинному навчанні, можна значно прискорити. 

Вилучення ознак – це процес перетворення необроблених даних на спрощений набір числових ознак, які краще відображають основну проблему для моделей машинного навчання (ML). Цей метод зменшує складність даних для вилучення найбільш релевантної інформації, тим самим покращуючи продуктивність та ефективність алгоритмів ML.

Хоча світло може пришвидшити виділення ознак, підтримка стабільного, когерентного світла для швидких оптичних обчислень є надзвичайно складною. 

До снасті це, дослідники від університет Цінхуа розробив механізм вилучення оптичних ознак другого покоління (OFE2)¹ що може виконувати оптичне вилучення ознак та цінності численні практичні застосування. Інтегрована вбудована система використовує настроювані подільники потужності та точні лінії затримки для передачі стабільних паралельних оптичних сигналів.

Система десеріалізує вхідні потік даних шляхом дискретизації вхідного сигналу в кілька синхронізованих світлових хвиль що дозволяють паралельна обробка в реальному часі.

Ці світлові хвилі потім проходять через оператор дифракції, мікроскопічну пластиноподібну структуру, яка виконує обчислення під час поширення світла через неї. Ця операція відображає множення матриць на вектор, фундаментальну операцію штучного інтелекту, яка використовується для перетворення та обробки даних.

Те, як дифраговане світло створює сфокусовану «яскраву пляму» на виході, є фундаментальним для цієї операції, оскільки його можна частково відхилити до певного вихідного порту шляхом регулювання фази паралельних вхідних індикаторів. Саме цей рух вихідної потужності, разом з відповідними змінами, дозволяє їхньому двигуну, також відомому як OFE2, вловлювати особливості вхід варіації сигналу через деякий час.

OFE2 працює за адресою ставка 12.5 ГГц, рекорд в оптичних обчисленнях, і може виконувати множення однієї матриці на вектор в 250.5 пс, який найнижча затримка серед подібних реалізації оптичні обчислення.

«Ми твердо переконані, що ця робота забезпечує значний орієнтир для розвитку інтегрованих оптичних дифракційних обчислень, щоб перевищити частоту 10 ГГц у реальних застосуваннях».

– Професор Хунвей Чен, який разом зі своєю командою з Університету Цінхуа провів це дослідження

Команда продемонструвала потужні можливості своєї системи для виконання різних завдань.

Під час тестування для цифрової торгівлі OFE2 досяг вражаючих результатів. Трейдер подає цінові сигнали в режимі реального часу в OFE2, а оптимально налаштований механізм генерує вихідні сигнали, які безпосередньо перекладаються на рішення щодо купівлі чи продажу для досягнення стабільної прибутковості з мінімальною затримкою, оскільки система працює зі швидкістю світла.

Команда також використовувала OFE2 для обробки зображень, де двигун витягував краєві ознаки з вхідних зображень та створений дві взаємодоповнюючі карти ознак, що нагадують ефекти рельєфу та гравіювання. Оптичні характеристики, що виробляються OFE2, показали набагато кращі результати. in класифікація зображень та покращення піксель точність семантичної сегментації, як ідентифікація органів за допомогою комп'ютерної томографії (КТ).

Що ще важливіше, коли системи штучного інтелекту використовують OFE2, їм потрібно менше електронних параметрів, що демонструє потенціал оптичної попередньої обробки для створення легших, ефективніших та дешевших гібридних систем штучного інтелекту. Важка праця виконується шляхом оптичної попередньої обробки, тоді як моделі штучного інтелекту можуть зосереджуватися на навчанні та інтерпретації.

Ці результати свідчать про те, що найінтенсивніші обчислювальні навантаження можна перенести з електроніки на фотоніку, відкриваючи майбутнє моделей штучного інтелекту в реальному часі.

За словами дослідників, їхній пристрій може обробляти величезний потоки даних з дуже маленький втрати енергії при збереженні гарної цілісності сигналу навіть під навантаженням.

«Досягнення, представлені в нашому дослідженні, підвищують швидкість роботи інтегрованих дифракційних операторів, забезпечуючи підтримку ресурсомістких послуг у таких галузях, як розпізнавання зображень, допоміжна охорона здоров'я та цифрові фінанси», – сказав Чен. «Ми з нетерпінням чекаємо на співпрацю з партнерами, які мають потреби в обчислювальних ресурсах, що потребують обсягу даних».

Натисніть тут, щоб дізнатися про те, як обчислення зі швидкістю світла стають можливими завдяки кремнієвій фотоніці.

Глобальна гонка за переосмислення обчислень за допомогою фотоніки 

Проведіть пальцем, щоб прокрутити →

Прогрес, досягнутий завдяки встановленню в Цінхуа, є частиною масштабнішого глобального зрушення. Вчені всього світу змагаються у подоланні електронних перешкод, звертаючись до світла.

Раніше цього року ще одна команда з Китаю представила його чіп, який використовує світло для синхронізації процесорів і може розблокувати зв'язок наступного покоління та високошвидкісні обчислення на базі штучного інтелекту.

Традиційні мікросхеми генерують тактові сигнали за допомогою електронних генераторів, та вони часто тільки оперувати при один основна тактова частота, що означає різні програми необхідність різні технології виробництва мікросхем. Новий чіп, розроблений Міжнародна група вчених під керівництвом Пекінського університету Китаю використовує «світло як середовище для генерації тактових сигналів за допомогою фотонів».

Вони розробили «вбудований мікрогребінець», який може синтезувати одночастотні та широкосмугові сигнали та забезпечувати опорні тактові частоти для електроніка в системі.

«Побудувавши на чіпі кільце, схоже на іподром, світло може безперервно «бігти» зі швидкістю світла. Час кожного кола потім використовується як стандарт вбудованого годинника», – сказав провідний автор Чанг Лін, який є асистентом професор Інституту інформаційних та комунікаційних технологій у Пекінському університеті. «Оскільки коло триває кілька мільярдних часток секунди, годинник може регулювати час з надвисокою швидкістю».

Оснащені новою технологією, чіпи можуть покривати різний діапазони мікрохвильових частот.

Команда досягла тактової частоти понад 100 ГГц та має сказав Що вони можуть виробляти тисячі однакових мікросхем на 8-дюймових пластинах, водночас вони вирішують проблеми стабільності та оптимізувати процеси пакування.

Ще одна міжнародна команда дослідників намагався до звернути увагу на обмеження закону Мура² через фотоніку, але вони використовували магнітооптичний матеріал. Матеріал являє собою церій-заміщений ітрієвий залізо-гранат (ЖІГ), оптичні властивості якого динамічно змінюються у відповідь на зовнішні магнітні поля. 

Використання крихітних магнітів для зберігання даних та керування переклад світла У цьому матеріалі дослідники започаткували новий тип магнітооптичної пам'яті.

Згідно з дослідженням, цей новий клас пам'яті має швидкість перемикання в 100 разів вищу, ніж у передової фотонної інтегрованої технології, споживає приблизно в десяту частину менше енергії та може бути перепрограмований понад 2.3 мільярда разів, що потенційно означає необмежений термін служби.

Тим часом у США вчені від MIT має продемонстрований³ фотонний процесор, який можна зробити всі Оптичні обчислення ШІ на чіпі. Їхній оптичний пристрій насправді завершений ключові обчислення для завдання класифікації машинного навчання менш ніж за півнаносекунди з 92% точності.

У своїй роботі вчені розробили нелінійні оптичні функціональні блоки (NOFU) для вирішення проблеми нелінійності в оптиці, яка... обумовлено фотони не взаємодіючих з легко один одного, таким чином що робить активацію оптичних нелінійностей енергоємною. NOFU поєднують оптику та електроніку для інтеграції нелінійних операцій на чіпі.

Хоча університети демонструють свої оптичні чіпи для перевірки концепції, великі технологічні компанії не відстають; вони активно досліджують, як ці принципи можуть зробити комерційні системи штучного інтелекту швидшими та екологічнішими.

Дослідники Microsoft детально описаний комп'ютер на основі світла⁴, який використовує датчики камери та мікросвітлодіоди, створити штучний інтелект сто разів ефективніше. Прототип аналогового оптичного комп'ютера (AOC) від технологічного гіганта обчислює проблема численний рази, і кожного разу, покращується, доки не буде встановлено «стаціонарний стан» досягнутий.

«Найважливіший аспект, який пропонує AOC, полягає в тому, що ми оцінюємо приблизно в сто разів покращення енергоефективності», – сказав співавтор дослідження Яннес Гледроу, дослідник штучного інтелекту в Microsoft. публікація в блозі компанії«Одного такого вже немає в апаратному забезпеченні».

Водночас команда запрограмувала «цифрового двійника» – модель, яка імітує обчислення фізичного AOC і може бути масштабована для обробки більшої кількості змінних і навіть складніших розрахунків. Модель дозволяє команді «працювати над більшими проблемами, ніж сам прилад може вирішити зараз», – зазначив Майкл Хансен, старший директор з обробки біомедичних сигналів у Microsoft Health Futures.

Комп'ютер вже може впоратися деякі завдання як Реконструкція зображень МРТ, зіставлення фінансових транзакцій та простий штучний висновок.

Щоб протестувати AOC, команда спочатку дала йому просте завдання класифікувати зображення, і фізичний AOC працював приблизно на рівні цифрового комп'ютера. Його цифровий двійник потім був використаний для реконструкції зображення сканування мозку з використанням лише 62.5% вихідних даних, і воно справді Що точно Це досягнення, вважають вчені, може призвести до скорочення часу проведення МРТ.

Також використовувався AOC вирішити фінансові проблеми, з яким воно мало вищий рівень успіху, ніж у сучасних квантових комп'ютерів.

У інтерв'ю з IBMФранческа Парміджані, головний дослідник Microsoft Research Cambridge, сказала, що їхня система має «можливість роботи в двох доменах». що означає він може виконувати два види завдань використання той самий елемент обладнання. Цей зроблено спираючись на пошук з фіксованою комою, що пов'язує спосіб вирішення обох задач.

«Найбільше мене тішить те, що ми вже можемо виконувати робочі навантаження як у сфері штучного інтелекту, так і в сфері оптимізації на одному й тому ж обладнанні», – сказала вона. «Ми все ще перебуваємо в невеликому масштабі, але це важливий перший крок».

Сама IBM є використовуючи фотони, а не робити обчислення, але й для швидшого переміщення інформації. «Ми використовуємо світло для передачі даних з дуже високою щільністю для застосувань штучного інтелекту», — сказав Жан Бенуа Еру, науковий співробітник IBM Research. Вони розробляють фотонні зв’язки, які передають дані між чіпами, пам’яттю та платами.

Інвестування у фотонічні обчислення 

Оскільки імпульс для фотонних обчислень ловить увагу провідних технологічних гравців посеред попит на швидші обчислення ШІ, улюбленець ШІ, NVIDIA (NVDA ) також досліджує способи інтеграції фотонних з'єднань та оптичних мереж в порядку щоб ще більше вдосконалити своє обладнання.

Очолюючи революцію штучного інтелекту на основі графічних процесорів, NVIDIA досліджує оптичну передачу даних, щоб подолати вузькі місця в пропускній здатності, які обмежують традиційні архітектури чіпів.

На початку цього року компанія запущений фотонні перемикачі з ко-упакованою оптикою (CPO) для забезпечувати У 10 разів вища стійкість мережі, у 3.5 раза краща енергоефективність та в 1.3 раза швидше розгортання у порівнянні з традиційні мережі.

Що стосується показників акцій виробника чіпів, цього тижня, вона стала першою компанією, ринкова вартість якої досягла 5 трильйонів доларів, оскільки ціна її акцій зросла до понад 212 доларів. удар новий історичний максимум (ATH). Акції NVIDIA зараз торгуються на рівні $207, що на 54% більше, ніж за рік.

Його прибуток на акцію (EPS) становить 3.51, а коефіцієнт P/E (TTM) – 58.93. Дивідендна дохідність становить 0.02%. оплачується акціонерам Nvidia.  

Коли справа доходить до Фінансове становище Nvidia, компанія повідомляє a дохід у розмірі 46.7 мільярда доларів за другий квартал 2026 фінансового року. Хоча загальний дохід зріс на 6% порівняно з попереднім кварталом, дохід центрів обробки даних Nvidia збільшився на 5% до 41.1 мільярда доларів, а дохід центру обробки даних Blackwell послідовно зріс на 17%.

Висновок

Як поширюється манія штучного інтелекту по всьому світу, дослідники та компанії працюють як про заміну електрони з фотонами, щоб відкрити новий світ швидкості, масштабованості та енергоефективності. У цій спробі переосмислити інфраструктуру штучного інтелекту, нещодавній прорив оптичного двигуна Університету Цінхуа показує, що системи на основі світла можуть конкурувати... або навіть перевершують свої електронні аналоги у виконанні певних завдань.

Але фотонні обчислення все ще перебувають на стадії тестування. Як тільки фотонні обчислення дозріють і стануть економічно ефективними, вони можуть сповістити про еру, в якій обчислення розвиватимуться зі швидкістю світла.

Натисніть тут, щоб дізнатися, як чіп на світлі покращує штучний інтелект у 100 разів.

Посилання

<sup>1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). Високошвидкісний та низьколатентний механізм вилучення оптичних ознак на основі дифракційних операторів. Розширена фотоніка Nexus, 4(5), 056012. https://doi.org/10.1117/1.APN.4.5.056012
2. Пінтус, П., Дюмон, М., Шах, В., Мурай, Т., Шодзі, Ю., Хуан, Д., Муді, Г., Бауерс, Дж. Е., Янгблад, Н. та ін. (2025). Інтегрована невзаємна магнітооптика з надвисокою витривалістю для фотонних обчислень у пам'яті. Nature Photonics, 19, 54-62. https://doi.org/10.1038/s41566-024-01549-1
3. Бандьопадхай, С., Сладдс, А., Крастанов, С., Хамерлі, Р., Гарріс, Н., Бунандар, Д., Стрешинський, М., Хохберг, М., та Енглунд, Д. (2024). Одночіпова фотонна глибока нейронна мережа з навчанням лише вперед. Nature Photonics, 18, 1335-1343. https://doi.org/10.1038/s41566-024-01567-z
4. Калінін, К. П., Гледроу, Дж., Чу, Дж., Клегг, Дж. Х., Клетеро, Д., Келлі, Ді-Джей, Рахмані, Б., Бреннан, Г., Чанакчі, Б., Фальк, Ф., Гансен, М., Клівейн, Дж., Кремер, Х., О'Ші, Г., Пікап, Л., Раджмохан, С., Роустрон А., Руле В., Брейн Л., Хедекар С., Берлофф Н.Г., Гканцідіс К., Пармігіані Ф. та Баллані Х. (2025). Аналоговий оптичний комп’ютер для штучного інтелекту та комбінаторної оптимізації. Природа, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z</sup>