Neuromorphe photonische Datenverarbeitung mit einem elektro-optischen Analogspeicher

Warum schnellere, sparsamere KI‑Gehirne wichtig sind

Die heutige künstliche Intelligenz läuft auf energieintensiven Computerchips, die ständig Daten zwischen Speicher und Prozessoren hin- und herschieben. Dieser Verkehrsfluss verschwendet Energie und verlangsamt die Verarbeitung, besonders wenn KI‑Modelle größer und komplexer werden. Die in diesem Papier vorgestellte Forschung führt eine neue Art lichtbasierter Rechenschaltung mit eingebautem Analogspeicher ein, die darauf ausgelegt ist, diesen Datentransport drastisch zu reduzieren und künftige KI‑Hardware sowohl schneller als auch deutlich energieeffizienter zu machen.

Licht als neue Rechenweise

Anstatt nur auf Elektronen in Metallleitungen zu bauen, nutzen neuromorphe photonische Prozessoren Lichtpulse, um Informationen zu übertragen und zu kombinieren, und ahmen so das Signalverhalten von Neuronennetzwerken nach. Licht kann gleichzeitig in vielen Farben durch denselben Pfad laufen, was enorme Parallelität und äußerst geringe Verzögerung ermöglicht. Das macht photonische Chips attraktiv für die rechenintensiven „Multiplizieren‑und‑Addieren“-Operationen, die in neuronalen Netzen dominieren. Allerdings verwenden die meisten vorhandenen photonischen Prozessoren feste „Gewichte“, die anderswo auf digitaler Hardware trainiert und dann eingespielt werden müssen. Das beschränkt ihre Anpassungsfähigkeit und lässt weiterhin eine große Last auf konventionellen Speicher- und Konvertierungsschaltungen liegen.

Speicher direkt beim Licht platzieren

Die Autorinnen und Autoren gehen dieses Problem an, indem sie neben jedes winzige optische Bauteil, das ein Netzwerkgewicht repräsentiert, einen einfachen, fabrikfreundlichen analogen Speicher platzieren. Ihr zentrales Bauelement ist ein dynamischer elektro‑optischer Analogspeicher (DEOAM): ein gewöhnlicher Kondensator, der mit einem mikroskopischen Siliziumring verbunden ist, der Licht in einer Schleife führt. Eine kleine auf dem Kondensator gespeicherte Spannung verschiebt leicht, wie der Ring mit durchlaufendem Licht interagiert, und legt so effektiv die Stärke einer neuronalen Verbindung fest. Da der Kondensator diese Spannung für eine kurze Zeit halten kann, müssen spezialisierte Digital‑zu‑Analog‑Wandler nicht mehr jeden Ring kontinuierlich antreiben. Stattdessen kann eine deutlich kleinere Anzahl von Wandlern viele Ringe nacheinander aktualisieren, während der analoge Speicher die programmierten Werte hält.

Wie der Prototypchip funktioniert

Das Team fertigte eine neuromorphe photonische Schaltung auf einer kommerziellen 90‑Nanometer‑Siliziumplattform, die Standardelektronik und Nanophotonik auf einem Chip vereint. Sie bauten ein Array von Ringresonatoren, jeweils mit einer eigenen kapazitiven Speicherzelle gekoppelt, sowie einfache Schalter zum Schreiben, Halten oder Zurücksetzen der gespeicherten Spannungen. Wird eine Spannung geschrieben, ändert sich die Antwort des Rings auf Laserlicht; wenn die Schreibschaltung trennt, hält der Kondensator die Spannung und das Licht „sieht“ weiterhin das programmierte Gewicht, bis die Ladung allmählich entweicht. Die Forschenden maßen wesentliche Eigenschaften: Der Speicher lässt sich in einigen zehn Nanosekunden beschreiben, hält brauchbare Informationen für etwa ein Tausendstel Sekunde und bietet ungefähr fünf Bits analoge Präzision. Licht durchläuft die optischen Pfade in Pikosekunden, sodass die eigentliche Berechnung im Vergleich zur Gültigkeitsdauer der Speicherwerte extrem schnell ist.

Test mit einem realistischen neuronalen Netzwerk

Um zu verstehen, was diese Hardware‑Grenzen für praktische KI bedeuten, simulierten die Autorinnen und Autoren, wie eine solche Gewichtsbank in einem kleinen Bilderkennungsnetzwerk funktionieren würde, das auf handgeschriebene Ziffern des MNIST‑Datensatzes trainiert ist. Sie übertrugen ein dreischichtiges Netzwerk—784 Eingänge, 50 versteckte Neuronen und 10 Ausgänge—auf realistische Arrays von Ringen und analogen Speichern und berücksichtigten dabei Rauschen, begrenzte Präzision, endliche Retention und andere Unvollkommenheiten. Die Studie zeigt, dass das System mit mindestens etwa vier Steuerbits während der Inferenz (und mehr während vollständigen On‑Chip‑Trainings) immer noch über 95 Prozent Klassifikationsgenauigkeit erreichen kann. Sie fanden außerdem, dass die Genauigkeit über 90 Prozent bleibt, solange die Speicherhaltezeit mindestens hundertmal länger ist als die Zeit, die ein Eingang benötigt, um das Netzwerk zu durchlaufen, obwohl die Gewichte langsam „auslaufen“. Anders gesagt: Ein moderat kurzlebiger, leicht leaky analoger Speicher kann bei so schneller photonischer Berechnung dennoch sehr nützlich sein.

Energieeinsparungen und Designkompromisse

Ein zentraler Vorteil von DEOAM ist die drastische Reduzierung der Anzahl Digital‑zu‑Analog‑Wandler. In konventionellen Entwürfen benötigt jedes optische Gewicht seinen eigenen Wandler, sodass die Anzahl mit dem Quadrat der Netzwerkgröße wächst. Mit DEOAM werden Wandler über Zeilen oder Spalten geteilt, und die Anzahl wächst nur noch linear. Unter Verwendung realer Messwerte ihres Prototyps und veröffentlichter Daten für Standard‑Speicher‑ und Wandler‑Schaltungen schätzen die Autorinnen und Autoren, dass eine solche integrierte, analog‑speicherbasierte photonische Architektur den Stromverbrauch im Vergleich zu traditionellen SRAM‑plus‑Wandler‑Lösungen um mehr als den Faktor 26 reduzieren kann. Sie analysieren zudem, wie Rauschen, Batch‑Größe beim Training und die Notwendigkeit periodischer Auffrischungen des analogen Speichers die Gesamtleistung beeinflussen, und skizzieren praktische Gestaltungsregeln für zukünftige großskalige Systeme.

Was das für künftige KI‑Chips bedeutet

Für Nicht‑Spezialistinnen und -Spezialisten ist die Hauptbotschaft, dass diese Arbeit einen realistischen Weg zu KI‑Hardware aufzeigt, die sowohl extrem schnell als auch deutlich energieeffizienter ist, indem sie Licht für die Rechenarbeit nutzt, während einfache analoge Speicher die Einstellungen festhalten. Obwohl diese Speicher langsam verblassen, kann das Netzwerk diese „Vergesslichkeit“ tolerieren und sogar als eine Form der Regularisierung nutzen, die Überanpassung verhindert. Indem der Speicher direkt in die optische Struktur des Chips eingebettet und teure Konversionsschritte drastisch reduziert werden, könnten neuromorphe photonische Prozessoren wie dieser künftige KI‑Systeme antreiben, die on‑the‑fly lernen, sich an veränderte Bedingungen anpassen und mit hoher Geschwindigkeit arbeiten, ohne die massiven Energiekosten heutiger Rechenzentren.

Zitation: Lam, S., Khaled, A., Bilodeau, S. et al. Neuromorphic photonic computing with an electro-optic analog memory. Nat Commun 17, 2472 (2026). https://doi.org/10.1038/s41467-026-69084-x

Schlüsselwörter: neuromorphe Photonik, analoger Speicher, optische Datenverarbeitung, energieeffiziente KI, Silizium-Photonik