Wysokoczęstotliwościowe wolnoprzestrzenne optyczne obliczenia w pamięci

Dlaczego to ma znaczenie dla codziennej inteligentnej technologii

Od samochodów autonomicznych i dronów dostawczych po szybkie transakcje i zdalne zabiegi chirurgiczne — coraz więcej decyzji musi być podejmowanych w ułamkach sekundy, często daleko od dużych centrów danych. Dzisiejsza elektronika ma problem nadążyć bez przegrzewania się lub szybkiego rozładowywania baterii. W artykule przedstawiono nowy typ procesora oparty na świetle, który potrafi wykonywać kluczowe zadania sztucznej inteligencji wyjątkowo szybko i przy niskim zużyciu energii, co może zmienić sposób działania inteligentnych urządzeń na „brzegu” sieci.

Przekształcanie światła w kalkulator

Współczesna AI opiera się w dużej mierze na jednej podstawowej operacji: mnożeniu i dodawaniu dużych siatek liczb, podobnym do wielokrotnego przesuwania małego szablonu po obrazie i zliczania tego, co widzi. Wykonywanie tego przy użyciu elektronów na chipach jest wydajne, lecz kosztowne energetycznie, ponieważ dane muszą być nieustannie przesyłane między pamięcią a procesorami. Badacze stworzyli system nazwany FAST‑ONN, który pozwala światłu wykonać znaczną część pracy w przestrzeni powietrznej. Używają maleńkich półprzewodnikowych laserów ułożonych w uporządkowaną siatkę do kodowania pikseli obrazu jako natężenia światła, a następnie pozwalają wiązkom przechodzić przez elementy optyczne, które bezpośrednio w przestrzeni stosują „wagi” sieci neuronowej, zanim padną na czujniki światła przekształcające wyniki z powrotem w sygnały elektryczne.

Jak zbudowany jest silnik optyczny

W sercu systemu znajduje się gęsta macierz mikroskopijnych laserów znanych jako lasery emitujące z powierzchni pionowej wnęki rezonansowej (VCSEL). Każde urządzenie w siatce 5×5 reprezentuje jeden piksel małej łatki obrazu i może być przełączane z prędkościami w zakresie gigaherców — miliardów razy na sekundę. Wzorcowany element szklany dzieli tę siatkę wiązek na wiele kopii, dzięki czemu ta sama łatka może być przetwarzana równolegle przez kilka różnych filtrów. Programowalny modulators przestrzenny światła, podobny duchem do wyświetlacza o wysokiej rozdzielczości, działa jako pamięć wewnętrzna dla wartości filtrów: jego miliony maleńkich pikseli przyciemniają lub przepuszczają światło, aby reprezentować wagę sieci neuronowej. Wiązki następnie zbieżają się do detektorów sprzężonych z włóknami, które sumują światło dla każdego filtra, efektywnie kończąc partię operacji konwolucji w jednym kroku optycznym.

Obsługa dodatnich i ujemnych „wzmocnień”

Modele AI muszą nie tylko wzmacniać pewne wzorce; muszą także tłumić inne, co wymaga zarówno wag dodatnich, jak i ujemnych. Ponieważ natężenie światła z natury nie bywa ujemne, stanowi to długoletnie wyzwanie dla czysto optycznych urządzeń obliczeniowych. Autorzy rozwiązują to przez rozdzielenie światła na ścieżkę sygnałową niosącą ważone wiązki i ścieżkę referencyjną pozostawioną bez wag. Obie są kierowane do specjalnych sparowanych detektorów, które odejmują jedno od drugiego, więc mniejsze natężenie może reprezentować wkład ujemny. Ten sprytny odczyt różnicowy pozwala sprzętowi optycznemu naśladować pełne zachowanie standardowych sieci neuronowych, pozostając przy tym odpornym na szum i drobne niedoskonałości urządzeń.

Testowanie systemu

Aby pokazać, że FAST‑ONN to nie tylko demonstracja fizyczna, zespół podłączył go do realistycznych zadań rozpoznawania. Połączyli silnik optyczny ze standardową siecią widzenia trenowaną na zbiorze obrazów COCO, powszechnie używanym do testów detekcji obiektów. W jednym eksperymencie odzwierciedlającym scenariusz samochodu autonomicznego analizowano wycięte obszary scen drogowych, aby zdecydować, czy każdy z nich zawiera pojazd. Najbardziej wymagająca warstwa konwolucyjna została przeniesiona na sprzęt optyczny, podczas gdy pozostałe kroki wykonywano cyfrowo. Wersje modelu optyczna i w pełni elektroniczna zgadzały się ze sobą w dużym stopniu, osiągając niemal identyczne wyniki w rozróżnianiu samochodów od tła. Zaprezentowali także klasyfikację ręcznie pisanych cyfr i ubrań, a nawet przeprowadzili trening, w którym system optyczny obliczał przebiegi w przód, podczas gdy komputer aktualizował wagi, które potem były ponownie ładowane do modulatora światła.

Prędkość, efektywność i co dalej

W swojej obecnej formie prototyp przetwarza 100 milionów małych łatek obrazu na sekundę, używając 5×5 laserów i dziewięciu filtrów jednocześnie, osiągając już prawie miliard operacji konwolucyjnych na sekundę z czasami decyzyjnymi rzędu mikrosekund. Szczegółowe analizy sugerują, że stosując większe matryce i szybsze komercyjne lasery, podejście to można skalować do dziesiątek tysięcy bilionów operacji na sekundę przy znacznie niższym zużyciu energii niż wiodące akceleratory elektroniczne. Ponieważ kluczowe komponenty są kompaktowe i możliwe do masowej produkcji, FAST‑ONN mogłoby ostatecznie umożliwić instalowanie malutkich, niskomocowych koprocesorów optycznych w aparatach, dronach i innych urządzeniach brzegowych, pozwalając im „myśleć światłem” i reagować na otoczenie niemal tak szybko, jak ono się zmienia.

Cytowanie: 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

Słowa kluczowe: optyczne sieci neuronowe, sprzęt AI na brzegu sieci, tablice VCSEL, obliczenia w pamięci, wysokoprędkościowa konwolucja