Hoge-kloksnelheid vrije-ruimte optische in-memory computing

Waarom dit belangrijk is voor alledaagse slimme technologie

Van zelfrijdende auto’s en bezorgdrones tot high‑frequency trading en afstandsoperaties: steeds meer beslissingen moeten binnen fracties van een seconde worden genomen, vaak ver weg van grote datacenters. De huidige elektronica heeft moeite om dit bij te benen zonder oververhitting of razendsnel leeglopende batterijen. Dit artikel introduceert een nieuw soort lichtgebaseerde rekenmotor die belangrijke taken van kunstmatige intelligentie extreem snel en energiezuinig kan uitvoeren, en daarmee mogelijk verandert hoe slimme apparaten werken aan de ‘edge’ van het netwerk.

Licht omzetten in een rekenmachine

Moderne AI berust sterk op één basale bewerking: het vermenigvuldigen en optellen van grote rastersets getallen, vergelijkbaar met het steeds opnieuw verschuiven van een klein sjabloon over een afbeelding en bijhouden wat het ziet. Dit elektronisch doen op chips is krachtig maar inefficiënt, omdat data voortdurend tussen geheugen en processor heen en weer gesleept moeten worden. De onderzoekers bouwen in plaats daarvan een systeem genaamd FAST‑ONN dat licht een groot deel van het werk in de vrije ruimte laat doen. Ze gebruiken microscopische halfgeleiderlasers gerangschikt in een net raster om beeldpixels als lichtintensiteit te encoderen, laten die bundels vervolgens door optische componenten reizen die de ‘gewichten’ van een neuraal netwerk direct in de ruimte toepassen, waarna lichtsensoren de resultaten weer in elektrische signalen omzetten.

Hoe de optische motor is opgebouwd

In het hart van het systeem staat een dicht array van microscopische lasers, bekend als vertical‑cavity surface‑emitting lasers (VCSELs). Elk element in een 5×5‑raster vertegenwoordigt één pixel van een klein beeldpatch en kan bij gigahertz‑snelheden worden geschakeld—miljarden keren per seconde. Een geprofileerd glaselement splitst dit raster van bundels in meerdere kopieën, zodat hetzelfde patchparallel door verschillende filters kan worden verwerkt. Een programmeerbare ruimtelijke lichtmodulator, vergelijkbaar van opzet met een hoogresolutiescherm, dient als in‑memory opslag voor de filterwaarden: zijn miljoenen kleine pixels dempen of laten licht passeren om een netwerkgewicht te representeren. De bundels convergeren vervolgens naar vezelgecouplede detectoren die het licht per filter optellen, waarmee effectief een batch convolutieoperaties in één optische stap wordt voltooid.

Omgaan met positieve en negatieve “gedachten”

AI‑modellen moeten niet alleen bepaalde patronen versterken; ze moeten ook andere onderdrukken, wat zowel positieve als negatieve gewichten vereist. Omdat lichtintensiteit per definitie nooit negatief is, vormt dit een langlopend probleem voor puur optische berekening. De auteurs lossen dit op door het licht te splitsen in een signaalkanaal dat de gewogen bundels draagt en een referentiekanaal dat ongezwaard blijft. Beide worden gevoed naar speciale gepaarde detectoren die het ene signaal van het andere aftrekken, zodat minder licht een negatieve bijdrage kan vertegenwoordigen. Deze slimme differentiële uitlezing stelt de optische hardware in staat het volledige gedrag van standaard neurale netwerken na te bootsen, terwijl het robuust blijft tegen ruis en kleine onvolkomenheden in de componenten.

Het systeem aan de tand voelen

Om aan te tonen dat FAST‑ONN geen zuivere fysicademonstratie is, koppelt het team het aan realistische herkenningstaken. Ze verbinden de optische motor met een standaard visienetwerk dat getraind is op de COCO‑afbeeldingsdataset, veelgebruikt voor objectdetectietests. In één experiment dat een zelfrijdende‑autosituatie nabootst, worden uitgeknipte regio’s van verkeersscènes geanalyseerd om te bepalen of ze een voertuig bevatten. De meest veeleisende convolutielaag wordt uitbesteed aan de optische hardware, terwijl de overige stappen digitaal worden uitgevoerd. De optische en puur elektronische versies van het model komen sterk overeen en behalen vrijwel identieke prestaties bij het onderscheiden van auto’s van achtergrondruis. Ze demonstreren ook handgeschreven‑cijfer‑ en kledingclassificatie, en voeren zelfs training uit waarbij het optische systeem de voorwaartse passes berekent terwijl een computer de gewichten bijwerkt die daarna in de lichtmodulator worden herladen.

Snelheid, efficiëntie en wat volgt

In zijn huidige vorm verwerkt de prototype 100 miljoen kleine beeldpatches per seconde met 5×5 lasers en negen filters tegelijk, en bereikt daarmee al bijna een miljard convolutieoperaties per seconde met beslissingen op microseconden­schaal. Gedetailleerde analyse suggereert dat met grotere arrays en snellere commerciële lasers deze aanpak opgeschaald kan worden tot tienduizenden biljoenen operaties per seconde terwijl aanzienlijk minder energie wordt verbruikt dan bij toonaangevende elektronische versnellers. Omdat de kerncomponenten compact en massafabriceerbaar zijn, zou FAST‑ONN uiteindelijk kleine, energiezuinige optische coprocessors in camera’s, drones en andere edge‑apparaten kunnen mogelijk maken, waardoor ze bijna even snel als de wereld verandert ‘met licht kunnen denken’ en daarop kunnen reageren.

Bronvermelding: Liang, Y., Wang, J., Xue, K. et al. High-clockrate free-space optical in-memory computing. Light Sci Appl 15, 115 (2026). https://doi.org/10.1038/s41377-026-02206-8

Trefwoorden: optische neurale netwerken, edge-AI hardware, VCSEL-arrays, in-memory computing, hogesnelheidsconvolutie