Multidimensionale en configureerbare optische neuromorfe berekeningen met perovskiet-gebaseerde volledig-fotonische synapsen

Licht dat leert

Computers die moderne kunstmatige intelligentie aandrijven verplaatsen nog steeds bits heen en weer tussen afzonderlijke chips voor geheugen en verwerking, wat tijd en energie verspilt. Deze studie onderzoekt een radicaal andere benadering: licht zelf gebruiken om zowel informatie te dragen als hersenachtige leerprocessen uit te voeren. De onderzoekers bouwden een "volledig-fotonische synaps" — een klein lichtgestuurd element dat zich eerdere lichtflitsen herinnert — en toonden vervolgens aan hoe grote verzamelingen van deze elementen patronen konden herkennen en zich aan veranderende omstandigheden konden aanpassen zonder de hardware fysiek te herbedraden.

Een folie die verandert door licht en lucht

In het hart van het werk ligt een dunne film gemaakt van een perovskietmateriaal dat uitzonderlijk gevoelig is voor zowel licht als water in de lucht. Wanneer ultraviolet licht op de film valt, herschikt de kristalstructuur zich en wordt deze donkerder, waardoor meer zichtbaar licht wordt geblokkeerd; wanneer het licht wordt verwijderd en het materiaal vocht uit de omgeving opneemt, keert het langzaam terug naar een meer transparante toestand. Deze heen-en-weerverschuiving is volledig omkeerbaar en zeer stabiel over vele cycli en maanden opslag. Omdat de hoeveelheid licht die door de film kan passeren kan variëren van vrijwel helder tot sterk getint, biedt het een breed venster voor het coderen van verschillende “gewichten” of sterktes — vergelijkbaar met de variabele verbindingssterktes tussen neuronen in de hersenen.

Optische synapsen die onthouden

De onderzoekers beschouwen veranderingen in de transparantie van de film als een optisch geheugen. Opeenvolgende lichtpulsen kunnen de respons van de film tijdelijk versterken, wat het gedrag nabootst van echte synapsen die kort sterker worden wanneer signalen snel achter elkaar binnenkomen. Door te variëren hoeveel lichtpulsen de film raken, hoe vaak ze worden herhaald en hoe sterk ze zijn, kan het team het apparaat van kortdurende herinneringen die snel vervagen naar langdurige herinneringen duwen die blijven bestaan, en zo het onderscheid tussen korte- en langetermijngeheugen in de hersenen weerspiegelen. De omringende luchtvochtigheid fungeert ook als een regelknop: drogere lucht vertraagt het herstel van het materiaal, waardoor wordt verlengd hoe lang de “herinnering” aan een lichtpuls behouden blijft, terwijl meer vochtige omstandigheden het vergeten versnellen.

Veel aanwijzingen lezen uit één apparaat

Omdat de respons van de film tegelijk afhankelijk is van meerdere factoren — lichtvermogen, belichtingstijd en luchtvochtigheid — draagt hetzelfde type synaps van nature multidimensionale informatie over zijn omgeving. Het team registreerde hoe de transparantie van de film in de tijd evolueerde onder verschillende omstandigheden en voerde deze verloopgegevens in een recurrent neuraal netwerk, een vorm van kunstmatige intelligentie die uitblinkt in het herkennen van patronen die zich in de tijd ontvouwen. Zelfs hoewel alle informatie afkomstig was van een enkel type optisch signaal, leerde het netwerk verschillende lichtintensiteiten, pulsduren en vochtigheidsniveaus met perfecte nauwkeurigheid uit elkaar te houden, wat aantoont dat deze fotonische synapsen kunnen dienen als rijke, tijdgevoelige sensoren en als geheugenelementen.

Taken herbedraden met alleen licht

Om praktische berekeningen te demonstreren gebruikten de auteurs vervolgens arrays van deze films als de instelbare elementen in een diffractief optisch neuraal netwerk — een opstelling waarin beelden worden verwerkt terwijl ze door dunne gepatternte lagen gaan in plaats van door elektronische schakelingen. Door verschillende programmeringslichtsequenties op de perovskiet-synapsen te schijnen, konden ze tot 80 verschillende transparantieniveaus op elke locatie instellen, waarbij ze effectief de interne parameters van het netwerk afstemden zonder enige fysieke wijzigingen. Met de ene set optische "gewichten" classificeerde het systeem handgeschreven cijfers; met een andere herkende het kledingstukken uit een aparte database. Beide taken werden door dezelfde hardware uitgevoerd, eenvoudig herconfigureerbaar door lichtgestuurde updates van de synapsen.

Wat dit betekent voor toekomstige machines

Dit werk laat zien dat een eenvoudige lichtgevoelige film zich kan gedragen als een slimme, instelbare verbinding in een neuraal netwerk, informatie opslaan in zijn transparantie en anders reageren afhankelijk van zowel recente signalen als de omgevingscondities. Door veel van zulke elementen te combineren creëren de onderzoekers optische systemen die kunnen waarnemen, onthouden en zich aanpassen aan nieuwe taken met hoge snelheid en laag energieverbruik, allemaal zonder conventionele elektronische schakelingen. In gewone bewoordingen is het een stap richting camera’s en sensoren waarvan de “ogen” en “hersenen” uit hetzelfde lichtgebaseerde materiaal bestaan, direct lerend van het licht dat ze zien en hun gedrag hervormend met niets meer dan nieuwe verlichtingspatronen.

Bronvermelding: 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

Trefwoorden: optische neuromorfe berekeningen, perovskiet-synaps, volledig-fotonisch geheugen, configureerbare fotonica, diffractief neuraal netwerk