Multidimensionale und rekonfigurierbare optische neuromorphe Rechnungen mit perovskitbasierten vollständig-photonischen Synapsen

Licht, das lernt

Computer, die moderne künstliche Intelligenz antreiben, verschieben weiterhin Bits zwischen getrennten Chips für Speicher und Verarbeitung, was Zeit und Energie kostet. Diese Studie untersucht einen radikal anderen Ansatz: das Licht selbst zu nutzen, sowohl zur Informationsübertragung als auch zur Durchführung gehirnähnlicher Lernprozesse. Die Forschenden bauten eine „vollständig-photonische Synapse“—ein winziges, lichtgesteuertes Element, das sich vergangene Lichtblitze merkt—und zeigten anschließend, wie große Sammlungen dieser Elemente Muster erkennen und sich an veränderte Umgebungen anpassen können, ohne die Hardware umzubauen.

Ein Film, der sich mit Licht und Luft verändert

Im Zentrum der Arbeit steht ein Dünnfilm aus einem Perovskitmaterial, das ungewöhnlich empfindlich gegenüber Licht und der Feuchtigkeit in der Luft ist. Wenn ultraviolettes Licht auf den Film trifft, rearrangiert sich seine Kristallstruktur und er verdunkelt sich, wodurch mehr sichtbares Licht blockiert wird; wenn das Licht entfernt wird und das Material Feuchtigkeit aus der Umgebung aufnimmt, kehrt es langsam in einen transparenteren Zustand zurück. Dieser Wechsel ist vollständig reversibel und über viele Zyklen sowie Monate der Lagerung sehr stabil. Weil die Menge des durch den Film hindurchtretenden Lichts von nahezu klar bis stark getönt schwanken kann, bietet er ein weites Spektrum zur Kodierung unterschiedlicher „Gewichte“ oder Stärkegrade—ähnlich den variablen Verbindungsstärken zwischen Neuronen im Gehirn.

Optische Synapsen, die sich erinnern

Die Forschenden behandeln Änderungen in der Transparenz des Films als optischen Speicher. Aufeinanderfolgende Lichtpulsen können die Reaktion des Films vorübergehend verstärken und ahmen so nach, wie reale Synapsen sich kurzzeitig stärken, wenn Signale in schneller Folge eintreffen. Durch Variieren der Anzahl der Lichtpulse, ihrer Wiederholungsrate und ihrer Stärke kann das Team das Bauteil von kurzlebigen Erinnerungen, die rasch verblassen, zu langlebigen Zuständen treiben, die bestehen bleiben—ein Echo der Unterscheidung zwischen Kurzzeit- und Langzeitgedächtnis im Gehirn. Die umgebende Luftfeuchtigkeit wirkt zudem wie ein Einstellrad: Trockenere Luft verlangsamt die Erholung des Materials und verlängert, wie lange die „Erinnerung“ an einen Lichtimpuls erhalten bleibt, während feuchtere Bedingungen das Vergessen beschleunigen.

Viele Hinweise aus einem Gerät lesen

Weil die Reaktion des Films gleichzeitig von mehreren Faktoren abhängt—Lichtleistung, Belichtungsdauer und Feuchtigkeit—trägt derselbe Synapsentyp auf natürliche Weise multidimensionale Informationen über seine Umgebung. Das Team zeichnete auf, wie sich die Transparenz des Films unter verschiedenen Bedingungen im Zeitverlauf entwickelte, und speiste diese Zeitverläufe in ein rekurrentes neuronales Netzwerk ein, eine Form künstlicher Intelligenz, die besonders gut darin ist, über die Zeit entfaltende Muster zu erkennen. Obwohl alle Informationen aus einem einzigen optischen Signaltyp stammten, lernte das Netzwerk, verschiedene Lichtintensitäten, Pulsdauern und Feuchtigkeitsgrade mit perfekter Genauigkeit zu unterscheiden, und zeigte damit, dass diese photonischen Synapsen sowohl als reichhaltige, zeitsensitive Sensoren als auch als Speicherelemente dienen können.

Umprogrammieren nur mit Licht

Um praktisches Rechnen zu demonstrieren, setzten die Autoren Arrays dieser Filme als verstellbare Elemente in einem diffraktiven optischen neuronalen Netzwerk ein—eine Anordnung, in der Bilder verarbeitet werden, während sie durch dünne, gemusterte Schichten hindurchtreten, statt durch elektronische Schaltkreise. Durch das Aufbringen unterschiedlicher programmierender Lichtsequenzen auf die Perovskit-Synapsen konnten sie an jedem Ort bis zu 80 verschiedene Transparenzstufen einstellen und so die internen Parameter des Netzwerks wirksam setzen, ohne physische Veränderungen vorzunehmen. Mit einem Satz optischer „Gewichte“ klassifizierte das System handschriftliche Ziffern; mit einem anderen erkannte es Kleidungsstücke aus einer separaten Datenbank. Beide Aufgaben wurden von derselben Hardware bewältigt, einfach durch lichtgetriebene Neu-Konfiguration der Synapsen.

Was das für zukünftige Maschinen bedeutet

Diese Arbeit zeigt, dass ein einfacher lichtempfindlicher Film sich wie eine intelligente, verstellbare Verbindung in einem neuronalen Netzwerk verhalten kann, indem er Informationen in seiner Transparenz speichert und unterschiedlich reagiert, abhängig sowohl von jüngsten Signalen als auch von der Umgebung. Durch die Kombination vieler solcher Elemente schaffen die Forschenden optische Systeme, die erkennen, sich erinnern und sich an neue Aufgaben anpassen können—bei hoher Geschwindigkeit und geringem Energieeinsatz, ganz ohne konventionelle elektronische Schaltkreise. Alltagsnah gesprochen ist es ein Schritt hin zu Kameras und Sensoren, deren „Augen“ und „Gehirne“ aus demselben lichtbasierten Material bestehen, direkt aus dem gesehenen Licht lernen und ihr Verhalten allein durch neue Muster der Beleuchtung umformen.

Zitation: Zi, J., Sun, J., Yang, B. et al. Multidimensional and reconfigurable optical neuromorphic computing using perovskite-based all-photonic synapses. Commun Mater 7, 92 (2026). https://doi.org/10.1038/s43246-026-01097-x

Schlüsselwörter: optische neuromorphe Rechnungen, Perovskit-Synapse, vollständig-photonischer Speicher, rekonfigurierbare Photonik, diffraktives neuronales Netzwerk