Geïntegreerde fotonische 3D-tensorverwerkingsmotor

Waarom sneller denkende machines ertoe doen

Van zelfrijdende auto’s tot medische scanners en virtual reality: onze wereld leunt steeds meer op computers die complexe driedimensionale gegevens in realtime kunnen begrijpen. De huidige systemen voor kunstmatige intelligentie zijn krachtig, maar de elektronische chips die ze aansturen hebben moeite met de vraag naar steeds grotere en snellere neurale netwerken. Dit artikel presenteert een nieuwe manier om zulke 3D-gegevens te verwerken met licht in plaats van elektriciteit, wat snellere en energiezuinigere “denkende” machines belooft die uiteindelijk auto’s veiliger, diagnoses sneller en online-ervaringen meeslepender kunnen maken.

Van platte afbeeldingen naar 3D-werelden

Veel gangbare AI-systemen werken met platte beelden—tweedimensionale rasterafbeeldingen—en gebruiken daarvoor zogeheten convolutionele neurale netwerken. Moderne sensoren, zoals medische scanners en lasergebaseerde LiDAR in autonome voertuigen, leggen echter volledige 3D-scènes over de tijd vast. Deze rijkere datasets worden natuurlijk beschreven als “tensors”, of meer-dimensionale arrays. Verwerking met 3D-neurale netwerken is buitengewoon krachtig maar ook extreem veeleisend: de hoeveelheid berekeningen en geheugen neemt snel toe met elke extra dimensie. Conventionele elektronische versnellingschips zoals GPU’s en TPU’s zijn grotendeels ontworpen voor platte, tweedimensionale matrixbewerkingen, dus moeten ze 3D-gegevens constant herschikken en verplaatsen, wat tijd, energie en geheugen verspeelt.

Het zware werk door licht laten doen

De onderzoekers introduceren een geïntegreerde fotonische 3D-tensorverwerkingsmotor die een cruciale stap van 3D-neurale netwerken direct met licht uitvoert. In plaats van gegevens herhaaldelijk tussen geheugen en elektronische processors te verplaatsen, stuurt hun systeem informatie als optische signalen die door kleine golfgeleiders en resonatoren op een chip reizen. Drie verschillende “assen” worden gebruikt om data tegelijk te coderen en te verwerken: de kleur (golfengte) van het licht, het tijdstip waarop pulsen passeren, en de fysieke paden die ze over de chip volgen. Door deze drie dimensies te combineren kan het systeem volledige 3D-convolutieoperaties afhandelen zonder ze in veel kleinere taken op te delen of te vertrouwen op omvangrijke elektronische besturingshardware.

Ingebouwd optisch geheugen en synchronisatie

Een centrale uitdaging in hogesnelheidscomputing is het nauwkeurig uitlijnen van vele datakanalen in de tijd. Traditionele systemen gebruiken complexe elektronische klokcircuits en grote geheugenbuffers daarvoor. Hier lossen de onderzoekers het probleem volledig in het optische domein op. Ze voegen twee optische geheugenunits toe, opgebouwd uit instelbare vertraginglijnen, voor en na het hoofdcomputatieblok. Deze vertraginglijnen fungeren als verstelbare wachtruimtes voor lichtpulsen, waardoor het systeem gegevens kan cachen en kan synchroniseren door eenvoudigweg de reistijd van elke puls op de chip te veranderen. De vertragingen zijn fijn af te stemmen met picoseconde-precisie en ondersteunen effectieve kloksnelheden tot circa 200 miljard bewerkingen per seconde, zonder extra elektronische timinghardware.

Slimmere lichtcircuits voor zware berekeningen

In het hart van het computatieblok bevindt zich een raster van kleine ringvormige optische resonatoren die regelen hoe sterk elk lichtkanaal bijdraagt aan het eindresultaat—vergelijkbaar met instelbare gewichten in een neuraal netwerk. De auteurs gebruiken een speciaal ontwerp met dubbele ringen op een multilayer fotonisch platform, waardoor deze elementen minder gevoelig zijn voor temperatuurwisselingen en fabricage-onvolkomenheden, terwijl ze een brede, vlakke optische respons bieden. Dat betekent dat de ringen hogesnelheidssignalen met minder vervorming aankunnen en nauwkeurige gewichtsinstellingen kunnen behouden—beter dan 7 bits effectieve precisie—met eenvoudige kalibratie. In tests voerde de chip met succes vierkanaals matrixvermenigvuldigingen uit bij symboolsnelheden tot 30 gigabaud, wat zowel snelheid als nauwkeurigheid aantoonde.

Praktische test met 3D-lasersensing

Om te laten zien dat hun motor nuttig is buiten laboratoriumbenchmarks, pasten de onderzoekers hem toe op een praktisch 3D-herkenningsprobleem: het onderscheiden van voetgangers en voertuigen in LiDAR-puntenwolken. Ze gebruikten een compact 3D-neuraal netwerk vergelijkbaar met bekende realtimemodellen, trainden de parameters digitaal, en droegen vervolgens de cruciale 3D-convolutiestap over aan de fotonische motor. Werkend op een symboolsnelheid van 20 gigabaud produceerde het optische systeem feature maps die nauw overeenkwamen met digitale berekeningen en behaalde het een classificatienauwkeurigheid van ongeveer 97 procent—zeer vergelijkbaar met een traditioneel computersysteem, maar met de zware 3D-wiskunde uitgevoerd in licht.

Wat dit betekent voor alledaagse technologie

In eenvoudige bewoordingen toont dit werk aan dat het mogelijk is een compacte optische “rekenmotor” te bouwen die direct het moeilijkste deel van 3D-AI-workloads aanpakt, en tegelijk minder geheugen, minder elektronische componenten en potentieel veel minder energie gebruikt dan huidige ontwerpen. Door data-caching, tijduitlijning en berekening allemaal in het optische domein te houden, vermindert de aanpak complexiteit en opent ze de weg naar hogere snelheden en grotere paralleliteit. Naarmate fotonische integratie verbetert en on-chiplichtbronnen en versterkers volwassen worden, kunnen dergelijke 3D-tensorengines belangrijke bouwstenen worden in toekomstige apparaten voor autonoom rijden, medische beeldvorming, videoanalyse en meeslepende virtuele omgevingen—stilletjes gebruikmakend van lichtbundels om machines te helpen onze 3D-wereld in realtime te zien en te begrijpen.

Bronvermelding: Wu, Y., Ni, Z., Li, X. et al. Integrated photonic 3D tensor processing engine. Light Sci Appl 15, 154 (2026). https://doi.org/10.1038/s41377-026-02183-y

Trefwoorden: fotonische computing, 3D neurale netwerken, optische versnellingsapparaten, LiDAR-herkenning, tensorverwerking