Neuromorfe fotonische berekening met een elektro‑optisch analoog geheugen

Waarom snellere, zuinigere AI‑hersenen ertoe doen

De kunstmatige intelligentie van vandaag draait op energieverslindende chips die continu gegevens heen en weer schuiven tussen geheugen en processors. Dit verkeersprobleem verspilt energie en vertraagt het systeem, zeker nu AI‑modellen steeds groter en complexer worden. Het onderzoek in dit artikel introduceert een nieuw type lichtgebaseerde rekenkring met ingebouwd analoog geheugen, bedoeld om die databeweging drastisch te verminderen en toekomstige AI‑hardware zowel sneller als veel energiezuiniger te maken.

Licht als een nieuwe manier van rekenen

In plaats van alleen te vertrouwen op elektronen in metalen draden gebruiken neuromorfe fotonische processors lichtpulsen om informatie te dragen en te combineren, waarbij ze het signaalverkeer in netwerkverbindingen van neuronen nabootsen. Licht kan tegelijk in vele kleuren door hetzelfde pad reizen, wat buitengewone paralleliteit en zeer lage vertraging mogelijk maakt. Dat maakt fotonische chips aantrekkelijk voor de zware ‘vermenigvuldig‑en‑optel’ operaties die neurale netwerken domineren. De meeste bestaande fotonische processors gebruiken echter vaste ‘gewichten’ die elders op digitale hardware getraind moeten worden en daarna gekopieerd. Dat beperkt hun aanpasbaarheid en laat nog steeds een grote last op conventionele geheugen‑ en omzetcircuitry rusten.

Geheugen naast het licht brengen

De auteurs pakken dit aan door een eenvoudig, foundry‑vriendelijk analoog geheugen direct naast elk klein optisch element te plaatsen dat een netwerkgewicht representeert. Hun belangrijkste bouwsteen is een dynamisch elektro‑optisch analoog geheugen (DEOAM): een gewone condensator verbonden met een microscopische ring van silicium die licht in een lus geleidt. Een kleine opgeslagen spanning op de condensator verschuift lichtjes hoe de ring met voorbijgaand licht omgaat, waardoor de sterkte van een neurale verbinding in feite wordt ingesteld. Omdat de condensator deze spanning kort kan vasthouden, hoeven gespecialiseerde digital‑to‑analog converters niet continu elke ring aan te sturen. In plaats daarvan kan een veel kleinere set converters veel ringen na elkaar bijwerken, terwijl het analoge geheugen de geprogrammeerde waarden op hun plaats houdt.

Hoe de prototypechip werkt

Het team fabriceerde een neuromorfe fotonische schakeling in een commerciële 90‑nanometer silicium‑platform, waarbij standaard elektronica en nanofotonica op één chip werden gecombineerd. Ze bouwden een array van ringresonatoren, elk gekoppeld aan een eigen capacitief geheugencel, plus eenvoudige schakelaars om de opgeslagen spanningen te schrijven, vast te houden of te resetten. Wanneer een spanning wordt geschreven, verandert de respons van de ring op laserlicht; zodra het schrijfcircuit wordt losgekoppeld, houdt de condensator de spanning vast en ziet het licht nog steeds het geprogrammeerde gewicht totdat de lading geleidelijk weglekt. De onderzoekers maten belangrijke eigenschappen: het geheugen kan in tientallen nanoseconden worden geschreven, behoudt bruikbare informatie voor ongeveer een duizendste van een seconde, en biedt ruwweg vijf bits analoge precisie. Licht trekt door de optische paden in picoseconden, dus de berekening zelf is extreem snel vergeleken met de tijd dat de geheugenwaarden geldig blijven.

Testen met een realistisch neuraal netwerk

Om te begrijpen wat deze hardwarebeperkingen praktisch voor AI betekenen simuleerden de auteurs hoe zo’n gewichtbank zou functioneren binnen een klein beeldherkenningsnetwerk dat getraind is op handgeschreven cijfers uit de MNIST‑dataset. Ze plaatsten een driedelig netwerk—784 inputs, 50 verborgen neuronen en 10 outputs—op realistische arrays van ringen en analoge geheugens, inclusief ruis, beperkte precisie, eindige retentie en andere imperfecties. De studie laat zien dat met minstens ongeveer vier controlebiten tijdens inferentie, en meer tijdens volledige on‑chip training, het systeem nog steeds meer dan 95 procent classificatie‑nauwkeurigheid kan bereiken. Ze vonden ook dat zolang de retentietijd van het geheugen minstens ongeveer 100 keer langer is dan de tijd die nodig is voor één input om door het netwerk te gaan, de nauwkeurigheid boven 90 procent blijft ondanks het langzaam ‘weglekken’ van de gewichten. Met andere woorden: een relatief kortlevend, lekkend analoog geheugen kan nog steeds zeer bruikbaar zijn wanneer de fotonische berekening zo snel is.

Energiebesparing en ontwerpafwegingen

Een belangrijk voordeel van DEOAM is de drastische vermindering van het aantal digital‑to‑analog converters. In conventionele ontwerpen heeft elk optisch gewicht zijn eigen converter nodig, waardoor het aantal groeit met het kwadraat van de netwerkgrootte. Met DEOAM worden converters gedeeld over rijen of kolommen, en groeit het aantal slechts lineair. Met behulp van echte metingen van hun prototype en gepubliceerde gegevens voor standaard geheugen‑ en convertercircuits schatten de auteurs dat zo’n geïntegreerde analoog‑geheugen fotonische architectuur het energieverbruik met meer dan een factor 26 kan verlagen vergeleken met traditionele SRAM‑plus‑converter schema’s. Ze analyseren ook hoe ruis, batchgrootte tijdens training en de noodzaak van periodieke verversingen van het analoge geheugen de algehele prestaties beïnvloeden, en schetsen praktische ontwerpregels voor toekomstige grootschalige systemen.

Wat dit betekent voor toekomstige AI‑chips

Voor niet‑specialisten is de kernboodschap dat dit werk een realistisch pad toont naar AI‑hardware die zowel extreem snel als dramatisch energiezuiniger is, door licht het rekenwerk te laten doen terwijl eenvoudige analoge geheugens de instellingen vasthouden. Hoewel deze geheugens langzaam vervagen, kan het netwerk die ‘vergetelheid’ tolereren en zelfs benutten als een vorm van regularisatie, wat helpt overfitting te voorkomen. Door geheugen direct in het optische weefsel van de chip te integreren en dure conversiestappen sterk te verminderen, zouden neuromorfe fotonische processors zoals deze toekomstige AI‑systemen kunnen aandrijven die on‑the‑fly leren, zich aanpassen aan veranderende omstandigheden en met hoge snelheid werken zonder de enorme energierekeningen van hedendaagse datacenters.

Bronvermelding: 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

Trefwoorden: neuromorfe fotonica, analoog geheugen, optische berekening, energiezuinige AI, siliciumfotonica