Фотонный процессор матричного умножения за один проход на базе пространственно-спектральной гиперумноженной параллельной дифракции

Почему важны более быстрые и более экологичные вычисления

Каждый раз, когда мы задаём вопрос цифровому помощнику или листаем ленту в социальных сетях, за кулисами работают мощные модели искусственного интеллекта. Эти модели растут настолько, что традиционные микросхемы не справляются без чрезвычайно большого энергопотребления. В этой статье описан новый класс аппаратного обеспечения, использующего свет вместо электричества для выполнения ключевых вычислений ИИ, с целью сделать будущие машины одновременно быстрее и значительно более энергоэффективными.

Как превратить свет в калькулятор

Современный ИИ основан на операциях, называемых матричными умножениями, которые повторяются миллиардами или триллионами раз, когда нейросеть анализирует изображения или текст. Электронные чипы выполняют эту работу надёжно, но тратят много энергии на перемещение данных внутри кристалла. Авторы исследования опираются на другую идею: позволить самому свету выполнять вычисления. В оптической нейронной сети информация кодируется в лазерных лучах, управляется при прохождении через линзы и модуляторы и затем считывается фотодетекторами. Поскольку фотоны не нагревают провода так, как электроны, такие системы в принципе могут достигать значительно большей скорости и эффективности.

Выполнять много вычислений за один проход

Большинство существующих оптических нейронных сетей ограничены тем, что могут обрабатывать лишь умеренное число параллельных вычислений, либо становятся слишком сложными для масштабирования. Эта работа представляет «single-shot» фотонный процессор матричного умножения, который резко увеличивает количество одновременных операций. Ключевая идея — упаковать информацию одновременно в три различных аспекта света: его положение в пространстве, цвет (длину волны) и время. Тщательно организовав эти измерения, устройство может выполнить полное матричное умножение — тысячи операций умножения и суммирования — за один проход света через систему.

Дифракционная решётка как регулятор движения света

В основе конструкции лежит простой, но мощный оптический элемент: дифракционная решётка, которая разносит свет под разными углами в зависимости от его цвета. Команда использует специально организованную трёхмерную систему решёток как регулятор движения, направляя множество цветных лучей из множества входных каналов в переставленные выходные каналы. Данные кодируются интенсивностями света на одном наборе модуляторов, а «веса» нейросети — на другом наборе. Когда лучи пересекаются и проходят через решётку, их траектории перестраиваются так, что каждый выходной канал естественным образом суммирует нужные комбинации данных и весов. Временные интегрирующие детекторы затем аккумулируют вклады за несколько коротких временных шагов, фактически расширяя размер вычисления без добавления сложности в оптику.

От лабораторной установки к реальным задачам ИИ

Авторы демонстрируют оптический тензорный процессор 16×16×16×16, то есть он может умножить матрицу 16×16 на другую 16×16 за один оптический «выстрел», выполняя одновременно 4096 базовых операций. Система работает на мультигигагерцовых тактовых частотах и достигает эффективной точности вычислений более восьми бит, что сопоставимо со многими практическими ускорителями ИИ. Чтобы показать, что это не только физический демонстратор, они применяют процессор к частям конвейера распознавания изображений: сверточной нейросети для извлечения признаков из изображений цифр и затем полносвязной сети для их классификации. Даже с оптическим шумом и аппаратными погрешностями установка корректно распознаёт рукописные цифры с точностью около 96%, близкой к полностью цифровой реализации той же модели.

Использование энергии, чувствительность и возможности масштабирования

Поскольку архитектура повторно использует те же оптические компоненты в многочисленных параллельных каналах и эффективно аккумулирует сигналы, каждая базовая операция может выполняться с чрезвычайно малым энергопотреблением — вплоть до десятков аттоджоулей оптической энергии на умножение. Авторы оценивают общую энергетическую эффективность, уже превосходящую некоторые современные электронные ускорители ИИ, и утверждают, что умеренные улучшения в модуляторах и цифро-аналоговых преобразователях могут вывести это на сотни триллионов операций в секунду на ватт. Важно, что конструкция избегает некоторых препятствий для масштабирования, характерных для других оптических схем, поэтому более крупные версии с большим числом каналов (например, 30×30 или даже 60×60 массивы) кажутся реализуемыми с использованием схожих компонентов.

Что это значит для повседневных технологий

Проще говоря, это исследование показывает, что относительно простая оптическая схема — умная маршрутизация цветных световых пучков через дифракционную решётку — может выступать в роли мощного, малотребовательного двигателя для вычислений в стиле ИИ. Хотя это пока лабораторный прототип, он указывает на будущие центры обработки данных и периферийные устройства, где фотонные процессоры будут выполнять самые тяжёлые задачи нейросетей, снижая энергозатраты и позволяя создавать более крупные, быстрые модели. Если такие фотонные тензорные процессоры удастся интегрировать и производить в масштабе, они могут стать ключевым компонентом следующего поколения высокопроизводительного и энергоэффективного аппаратного обеспечения для искусственного интеллекта.

Цитирование: 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

Ключевые слова: оптические нейронные сети, фотонные вычисления, матричное умножение, энергетически эффективное оборудование для ИИ, дифракционная решётка