Pojedynczy fotoniczny procesor macierz-macierz oparty na przestrzenno‑spektralnym hipermultipleksowaniu z równoległą dyfrakcją

Dlaczego szybsze, bardziej „zielone” obliczenia mają znaczenie

Za każdym razem, gdy zadajemy pytanie cyfrowemu asystentowi lub przeglądamy media społecznościowe, w tle pracują potężne modele sztucznej inteligencji. Modele te rosną tak bardzo, że konwencjonalne układy scalone mają problem nadążyć bez zużywania ogromnych ilości energii. Ten artykuł opisuje nowy rodzaj sprzętu obliczeniowego, który zamiast prądu wykorzystuje światło do wykonywania kluczowych obliczeń AI, dążąc do tego, by przyszłe maszyny były zarówno szybsze, jak i znacznie bardziej energooszczędne.

Przekształcanie światła w kalkulator

Współczesna AI opiera się na operacjach zwanych mnożeniami macierzy, powtarzanych miliardy lub biliony razy, gdy sieć neuronowa analizuje obrazy lub tekst. Układy elektroniczne wykonują tę pracę niezawodnie, ale marnują dużo energii na przesyłanie danych wewnątrz chipu. Autorzy pracy opierają się na innej idei: pozwolić, by to samo światło wykonywało obliczenia. W optycznej sieci neuronowej informacje kodowane są w wiązkach laserowych, manipulowane w trakcie przechodzenia przez soczewki i modulatorów, a następnie odczytywane przez detektory światła. Ponieważ fotony nie nagrzewają przewodów tak jak elektrony, takie systemy mogą w zasadzie osiągnąć znacznie wyższe prędkości i wydajność energetyczną.

Wykonywanie wielu obliczeń za jednym przejściem

Większość istniejących optycznych sieci neuronowych ma ograniczenie: mogą obsłużyć tylko umiarkowaną liczbę obliczeń równolegle, albo stają się zbyt skomplikowane w skalowaniu. Ta praca wprowadza „pojedynczy” fotoniczny procesor macierz–macierz, który dramatycznie zwiększa liczbę operacji wykonywanych jednocześnie. Kluczowa idea polega na jednoczesnym kodowaniu informacji w trzech różnych cechach światła — jego położeniu w przestrzeni, kolorze (długości fali) i czasie. Poprzez staranne uporządkowanie tych wymiarów urządzenie może przeprowadzić pełne mnożenie macierz–macierz, obejmujące tysiące operacji mnożenia i akumulacji, w jednym przejściu światła przez system.

Siatka dyfrakcyjna jako kontroler ruchu światła

W sercu projektu znajduje się proste, lecz potężne element optyczny: siatka dyfrakcyjna, która rozdziela światło pod różnymi kątami w zależności od jego koloru. Zespół wykorzystuje specjalnie zaaranżowany, trójwymiarowy system siatek jak kontroler ruchu, kierując liczne kolorowe wiązki z wielu wejść do przemieszanych kanałów wyjściowych. Dane do przetworzenia są kodowane jako natężenia światła na jednym zestawie modulatorów, natomiast „wagi” sieci neuronowej — na innym. Gdy wiązki spotykają się i przechodzą przez siatkę, ich trajektorie są przearanżowane tak, że każdy kanał wyjściowy naturalnie sumuje właściwe kombinacje danych i wag. Detektory integrujące w czasie akumulują wkłady w ciągu kilku krótkich kroków czasowych, efektywnie zwiększając rozmiar obliczenia bez dodawania złożoności do elementów optycznych.

Od stanowiska laboratoryjnego do rzeczywistych zadań AI

Autorzy demonstrują optyczny procesor tensora 16×16×16×16, co oznacza, że potrafi on pomnożyć macierz 16×16 przez inną macierz 16×16 w jednym optycznym „strzale”, wykonując jednocześnie 4096 podstawowych operacji. System działa z częstotliwościami wielogigahercowymi i osiąga efektywną precyzję obliczeń większą niż osiem bitów, porównywalną z wieloma praktycznymi akceleratorami AI. Aby pokazać, że to nie tylko demonstracja fizyczna, używają procesora do wykonania części niewielkiego pipeline’u rozpoznawania obrazów: splotowej sieci neuronowej, która wyodrębnia cechy z obrazów cyfr, a następnie w pełni połączonej sieci neuronowej, która je klasyfikuje. Nawet przy optycznym szumie i niedoskonałościach sprzętowych, układ rozpoznaje odręczne cyfry z około 96% dokładnością, blisko poziomu implementacji wyłącznie cyfrowej tego samego modelu.

Zużycie energii, czułość i możliwości skalowania

Dzięki ponownemu wykorzystaniu tych samych elementów optycznych w wielu równoległych kanałach i efektywnej akumulacji sygnałów każdą podstawową operację można wykonać przy niezwykle niskim zużyciu energii — sięgającym dziesiątek atto-dżuli energii optycznej na mnożenie. Autorzy szacują ogólną efektywność energetyczną już przewyższającą niektóre zaawansowane akceleratory elektroniczne i twierdzą, że umiarkowane ulepszenia w modulatorach i przetwornikach cyfrowo‑analogowych mogłyby przesunąć to w stronę setek bilionów operacji na sekundę na wat. Co ważne, projekt unika niektórych przeszkód skalowania, które dotykają inne optyczne schematy, więc większe wersje z wieloma dodatkowymi kanałami (na przykład tablice 30×30 lub nawet 60×60) wydają się wykonalne przy użyciu podobnych komponentów.

Co to oznacza dla codziennych technologii

Mówiąc prosto, badania te pokazują, że stosunkowo proste ustawienie optyczne — inteligentny sposób kierowania kolorowymi wiązkami światła przez siatkę dyfrakcyjną — może działać jako potężny, niskoenergetyczny silnik dla obliczeń w stylu AI. Choć to wciąż prototyp laboratoryjny, wskazuje na przyszłe centra danych i urządzenia brzegowe, gdzie procesory fotoniczne będą obsługiwać najcięższe zadania sieci neuronowych, obniżając rachunki za energię i umożliwiając większe, szybsze modele. Jeśli takie fotoniczne procesory tensora zostaną zintegrowane i wyprodukowane na skalę przemysłową, mogą stać się kluczowym składnikiem następnej generacji wydajnego i energooszczędnego sprzętu sztucznej inteligencji.

Cytowanie: Luan, C., Davis III, R., Chen, Z. et al. Single-shot matrix-matrix photonic processor based on spatial-spectral hypermultiplexed parallel diffraction. Nat Commun 17, 484 (2026). https://doi.org/10.1038/s41467-026-68452-x

Słowa kluczowe: optyczne sieci neuronowe, obliczenia fotoniczne, <keyword>energooszczędny sprzęt AI, siatka dyfrakcyjna