Высокочастотные свободно‑пространственные оптические вычисления в памяти

Почему это важно для повседневных умных устройств

От беспилотных автомобилей и дронов доставки до высокочастотной торговли и дистанционной хирургии — всё больше решений приходится принимать за доли секунды, часто вдали от крупных дата‑центров. Современная электроника с трудом справляется с этим без перегрева или сильного разряда батарей. В статье предложен новый тип вычислительного двигателя на основе света, который может выполнять ключевые задачи искусственного интеллекта чрезвычайно быстро и с низким энергопотреблением, что потенциально меняет устройство умных устройств на «периферии» сети.

Преобразование света в вычисления

Современный ИИ сильно зависит от одной базовой операции: умножения и суммирования больших сеток чисел, похоже на многократное перемещение небольшой трафаретной маски по изображению и подсчёт того, что она «видит». Выполнение этого с электронами на чипах эффективно, но энергозатратно, поскольку данные постоянно перетаскиваются между памятью и процессорами. Исследователи вместо этого создали систему под названием FAST‑ONN, которая позволяет свету выполнять большую часть работы прямо в свободном пространстве. Они используют крошечные полупроводниковые лазеры, расположенные в аккуратной решётке, чтобы кодировать пиксели изображения интенсивностью света, затем эти лучи проходят через оптические элементы, которые пространственно применяют «веса» нейронной сети, прежде чем попасть на фотодетекторы, превращающие результаты обратно в электрические сигналы.

Как устроен оптический движок

В основе системы лежит плотный массив микроскопических лазеров, известных как вертикально-излучающие лазеры с поверхностной эмиссией (VCSEL). Каждое устройство в сетке 5×5 представляет один пиксель небольшого фрагмента изображения и может переключаться на гигагерцевых скоростях — миллиарды раз в секунду. Структурированный стеклянный элемент разделяет этот массив лучей на несколько копий, так что один и тот же фрагмент может обрабатываться параллельно несколькими разными фильтрами. Программируемый пространственный модулятор света, по сути похожий на дисплей с высоким разрешением, выступает в роли хранения в памяти для значений фильтров: его миллионы мелких пикселей каждое ослабляет или пропускает свет, представляя вес нейронной сети. Затем лучи сходятся в волоконно‑связанные детекторы, которые суммируют свет для каждого фильтра, фактически выполняя пакет свёрточных операций за один оптический шаг.

Как обрабатывать положительные и отрицательные «веса»

Моделям ИИ нужно не только усиливать определённые шаблоны, но и подавлять другие, что требует как положительных, так и отрицательных весов. Поскольку интенсивность света по природе не может быть отрицательной, это давняя проблема для чисто оптических вычислений. Авторы решают её, разделяя свет на сигнальный путь, несущий взвешенные лучи, и эталонный путь, оставленный без весов. Оба пути подаются на специальные парные детекторы, которые вычитают один сигнал из другого, так что уменьшение света может представлять отрицательный вклад. Этот хитрый дифференциальный способ чтения позволяет оптическому оборудованию воспроизводить поведение стандартных нейронных сетей, оставаясь при этом устойчивым к шуму и мелким дефектам в устройствах.

Испытание системы

Чтобы показать, что FAST‑ONN — это не просто физический демонстратор, команда подключает её к реалистичным задачам распознавания. Они связывают оптический движок со стандартной зрительной сетью, обученной на наборе изображений COCO, широко используемом для тестирования обнаружения объектов. В одном эксперименте, имитирующем сценарий автономного вождения, анализируются вырезанные области дорожных сцен, чтобы определить, содержит ли каждая из них транспортное средство. Самый требовательный свёрточный слой переносится на оптическое оборудование, в то время как остальные шаги выполняются цифрово. Оптическая и полностью электронная версии модели близки по результатам, достигая почти одинаковой точности при отделении автомобилей от фона. Они также демонстрируют классификацию рукописных цифр и одежды, а также проводят обучение, при котором оптическая система вычисляет прямые проходы, а компьютер обновляет веса, которые затем заново загружаются в световой модулятор.

Скорость, энергоэффективность и дальнейшие перспективы

В своей текущей форме прототип обрабатывает 100 миллионов небольших фрагментов изображения в секунду, используя 5×5 лазеров и девять фильтров одновременно, уже достигая почти миллиарда свёрточных операций в секунду с временем принятия решения на уровне микросекунд. Детальный анализ указывает на то, что при использовании больших массивов и более быстрых коммерческих лазеров этот подход можно масштабировать до десятков тысяч триллионов операций в секунду при значительно меньшем энергопотреблении по сравнению с ведущими электронными ускорителями. Поскольку ключевые компоненты компактны и пригодны для массового производства, FAST‑ONN в перспективе может позволить встроить крошечные низкоэнергетические оптические сопроцессоры в камеры, дроны и другие периферийные устройства, давая им возможность «думать светом» и реагировать на мир почти так же быстро, как он меняется.

Цитирование: 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

Ключевые слова: оптические нейронные сети, аппаратное обеспечение для edge AI, массивы VCSEL, вычисления в памяти, высокоскоростная свёртка