Neuromorficzne obliczenia fotoniczne z elektro-optyczną pamięcią analogową

Dlaczego szybsze, oszczędniejsze „mózgi” SI są ważne

Dzisiejsza sztuczna inteligencja działa na energochłonnych układach scalonych, które nieustannie przesyłają dane między pamięcią a procesorami. Ten „korek” komunikacyjny marnuje energię i spowalnia działanie, zwłaszcza w miarę wzrostu rozmiarów i złożoności modeli SI. Badania opisane w tym artykule przedstawiają nowy typ obwodu obliczeniowego opartego na świetle z wbudowaną pamięcią analogową, zaprojektowany tak, by zredukować te transfery danych i uczynić przyszły sprzęt SI zarówno szybszym, jak i znacznie bardziej energooszczędnym.

Światło jako nowy sposób liczenia

Zamiast polegać wyłącznie na elektronach w przewodach, neuromorficzne procesory fotoniczne używają impulsów świetlnych do przenoszenia i łączenia informacji, naśladując przepływ sygnałów w sieciach neuronowych. Światło może podróżować wieloma kolorami jednocześnie tą samą ścieżką, co pozwala na masową równoległość i bardzo niskie opóźnienia. Dzięki temu układy fotoniczne są atrakcyjne dla intensywnych operacji „mnożenia i dodawania”, które dominują w sieciach neuronowych. Jednak większość istniejących procesorów fotonicznych używa stałych „wag”, które trzeba trenować poza układem na sprzęcie cyfrowym, a potem kopiować. Ogranicza to ich adaptowalność i wciąż nakłada duże obciążenie na konwencjonalną pamięć i układy konwersji.

Umieszczenie pamięci obok światła

Aby to rozwiązać, autorzy dodali prostą, przyjazną dla produkcji pamięć analogową bezpośrednio obok każdego maleńkiego elementu optycznego reprezentującego wagę sieci neuronowej. Ich kluczowy element to dynamiczna elektro-optyczna pamięć analogowa (DEOAM): zwykły kondensator połączony z mikroskopijnym pierścieniem krzemowym, który prowadzi światło w pętli. Małe napięcie zgromadzone na kondensatorze delikatnie zmienia sposób, w jaki pierścień oddziałuje z przechodzącym światłem, skutecznie ustawiając siłę połączenia neuronowego. Ponieważ kondensator może utrzymać to napięcie przez krótki czas, wyspecjalizowane przetworniki cyfrowo-analogowe nie muszą stale sterować każdym pierścieniem. Zamiast tego znacznie mniejszy zestaw przetworników może aktualizować wiele pierścieni po kolei, podczas gdy pamięć analogowa utrzymuje zaprogramowane wartości.

Jak działa prototypowy układ

Zespół wykonał neuromorficzny obwód fotoniczny w komercyjnym procesie krzemowym 90 nanometrów, łącząc standardową elektronikę i nanofotonikę na jednym chipie. Zbudowali macierz rezonatorów pierścieniowych, z których każdy sparowano z własną komórką pamięci pojemnościowej oraz prostymi przełącznikami do zapisu, utrzymania lub zerowania przechowywanych napięć. Gdy napięcie zostanie zapisane, odpowiedź pierścienia na światło laserowe się zmienia; gdy obwód zapisu zostaje rozłączony, kondensator utrzymuje napięcie, a światło nadal „widzi” zaprogramowaną wagę, dopóki ładunek stopniowo nie wycieka. Badacze zmierzyli kluczowe parametry: pamięć można zapisać w dziesiątkach nanosekund, zachowuje użyteczne informacje przez około tysięczną sekundy i oferuje około pięciu bitów precyzji analogowej. Światło przechodzi ścieżki optyczne w pikosekundach, więc samo obliczanie jest niezwykle szybkie w porównaniu z czasem, przez jaki wartości pamięci pozostają ważne.

Testy na realistycznej sieci neuronowej

Aby ocenić, co te ograniczenia sprzętowe oznaczają dla praktycznej SI, autorzy zasymulowali zachowanie takiego banku wag w małej sieci rozpoznawania obrazów trenowanej na odręcznie pisanych cyfrach z zestawu MNIST. Odzwierciedlili trójwarstwową sieć—784 wejścia, 50 neuronów ukrytych i 10 wyjść—na realistycznych macierzach pierścieni i pamięci analogowych, uwzględniając szum, ograniczoną precyzję, skończony czas retencji i inne niedoskonałości. Badanie pokazuje, że przy co najmniej około czterech bitach sterowania podczas wnioskowania, a więcej podczas pełnego treningu na chipie, system nadal może osiągnąć ponad 95 procent skuteczności klasyfikacji. Stwierdzili też, że dopóki czas retencji pamięci jest przynajmniej 100 razy dłuższy niż czas przepływu pojedynczego wejścia przez sieć, dokładność utrzymuje się powyżej 90 procent mimo stopniowego „wyciekania” wag. Innymi słowy, stosunkowo krótkotrwała, nieszczelna pamięć analogowa może być nadal bardzo użyteczna, gdy obliczenia fotoniczne są tak szybkie.

Oszczędność energii i kompromisy projektowe

Główną zaletą DEOAM jest drastyczne zmniejszenie liczby przetworników cyfrowo-analogowych. W konwencjonalnych projektach każda waga optyczna potrzebuje własnego przetwornika, więc ich liczba rośnie kwadratowo wraz z rozmiarem sieci. W DEOAM przetworniki są współdzielone w wierszach lub kolumnach, a ich liczba rośnie tylko liniowo. Korzystając z rzeczywistych pomiarów prototypu i opublikowanych danych dla standardowych układów pamięci i przetworników, autorzy szacują, że taka zintegrowana architektura fotoniczna z pamięcią analogową może zmniejszyć zużycie energii o ponad współczynnik 26 w porównaniu z tradycyjnymi rozwiązaniami SRAM-plus-przetwornik. Analizują też, jak szum, rozmiar partii podczas treningu i konieczność okresowych odświeżeń pamięci analogowej wpływają na ogólną wydajność, przedstawiając praktyczne zasady projektowe dla przyszłych systemów na dużą skalę.

Co to oznacza dla przyszłych układów SI

Dla osób niebędących specjalistami główne przesłanie jest takie, że ta praca pokazuje realistyczną drogę do sprzętu SI, który jest jednocześnie niezwykle szybki i dramatycznie bardziej energooszczędny, pozwalając światłu wykonywać obliczenia, podczas gdy proste pamięci analogowe utrzymują ustawienia. Chociaż te pamięci stopniowo słabną, sieć potrafi tolerować, a nawet wykorzystać to „zapominanie” jako formę regularizacji, co pomaga unikać przeuczenia. Dzięki wpleceniu pamięci bezpośrednio w optyczną strukturę chipu i znacznemu ograniczeniu kosztownych kroków konwersji, neuromorficzne procesory fotoniczne tego typu mogą zasilać przyszłe systemy SI, które uczą się w locie, adaptują do zmieniających się warunków i działają z dużą prędkością bez ogromnych rachunków energetycznych dzisiejszych centrów danych.

Cytowanie: 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

Słowa kluczowe: neuromorficzna fotonika, pamięć analogowa, obliczenia optyczne, energooszczędna SI, fotonyka krzemowa