Нейроморфные фотонные вычисления с электрооптической аналоговой памятью

Почему важны более быстрые и экономные «мозги» для ИИ

Современный искусственный интеллект работает на энергоёмких процессорах, которые постоянно переносят данные между памятью и вычислительными блоками. Этот «трафик» тратит энергию и замедляет работу, особенно по мере роста и усложнения моделей ИИ. Исследование, описанное в этой статье, предлагает новый тип оптической вычислительной схемы с встроенной аналоговой памятью, созданный для существенного сокращения перемещения данных и для того, чтобы будущая аппаратная платформа ИИ была как быстрее, так и значительно энергоэффективнее.

Свет как новый способ вычислений

Вместо того чтобы опираться только на электроны в металлических проводах, нейроморфные фотонные процессоры используют световые импульсы для передачи и суммирования информации, имитируя поток сигналов в сетях нейронов. Свет может одновременно распространяться в разных цветах по одному и тому же каналу, что даёт огромный параллелизм и крайне низкие задержки. Это делает фотонные чипы привлекательными для тяжёлых операций «умножение‑и‑сложение», доминирующих в нейронных сетях. Однако большинство существующих фотонных процессоров используют фиксированные «веса», которые обучаются на цифровом оборудовании, а затем копируются. Это ограничивает их адаптивность и по‑прежнему создаёт серьёзную нагрузку на традиционные цепи памяти и преобразователей.

Размещение памяти рядом со светом

Авторы решают эту проблему, добавив простую, совместимую с литографическими фабриками аналоговую память непосредственно рядом с каждым микроскопическим оптическим элементом, задающим вес нейронной связи. Ключевой строительный блок — динамическая электрооптическая аналоговая память (DEOAM): обычный конденсатор, подключённый к микроскопическому кремниевому кольцу, по которому свет циркулирует замкнутым путём. Небольшое напряжение, сохранённое на конденсаторе, слегка меняет взаимодействие кольца с проходящим светом, фактически задавая силу нейронной связи. Поскольку конденсатор может удерживать это напряжение в течение короткого времени, специализированные цифро‑аналоговые преобразователи больше не обязаны постоянно управлять каждым кольцом. Вместо этого гораздо меньший набор преобразователей может по очереди обновлять многие кольца, в то время как аналоговая память хранит запрограммированные значения.

Как работает прототипный чип

Команда изготовила нейроморфную фотонную схему в коммерческом кремниевом техпроцессе с критической размерностью 90 нанометров, объединив стандартную электронику и нанофотонику на одном кристалле. Они создали массив резонаторов‑колец, каждое из которых сочетается со своей конденсаторной ячейкой памяти, а также простыми переключателями для записи, удержания или сброса сохранённых напряжений. Когда записывается напряжение, реакция кольца на лазерный свет меняется; когда цепь записи отключается, конденсатор удерживает напряжение, и свет продолжает «видеть» запрограммированный вес до тех пор, пока заряд постепенно не утечёт. Исследователи измерили ключевые параметры: запись в память занимает десятки наносекунд, информация остаётся пригодной примерно в тысячные доли секунды, а аналоговая точность эквивалентна примерно пяти битам. Свет проходит оптические пути за пикосекунды, так что сами вычисления чрезвычайно быстры по сравнению со временем, в течение которого значения памяти остаются валидными.

Тестирование на реалистичной нейронной сети

Чтобы понять, что эти аппаратные ограничения означают для практического ИИ, авторы смоделировали работу такой банки весов внутри небольшой сети распознавания изображений, обученной на рукописных цифрах из набора MNIST. Они отобразили трёхслойную сеть — 784 входа, 50 скрытых нейронов и 10 выходов — на реалистичные массивы колец и аналоговых элементов памяти, включая шум, ограниченную точность, конечное время удержания и другие неточности. Исследование показывает, что при наличии как минимум примерно четырёх управляющих бит во время инференса (и большего числа при полном обучении на чипе) система всё ещё может достигать более 95 процентов точности классификации. Они также обнаружили, что если время удержания памяти как минимум в 100 раз превышает время прохождения одного входа через сеть, точность остаётся выше 90 процентов, даже несмотря на то, что веса медленно «утекают». Другими словами, умеренно недолговечная, «текучая» аналоговая память по‑прежнему очень полезна, когда фотонные вычисления происходят настолько быстро.

Экономия энергии и компромиссы в проектировании

Главное преимущество DEOAM — резкое сокращение числа цифро‑аналоговых преобразователей. В традиционных конструкциях каждому оптическому весу требуется свой преобразователь, поэтому их количество растёт пропорционально квадрату размера сети. С DEOAM преобразователи разделяются по строкам или столбцам, и их число растёт лишь линейно. Используя реальные измерения своего прототипа и опубликованные данные для стандартной памяти и преобразователей, авторы оценивают, что такая интегрированная фотонная архитектура с аналоговой памятью может сократить энергопотребление более чем в 26 раз по сравнению с традиционными схемами на базе SRAM и преобразователей. Они также анализируют, как шум, размер батча при обучении и необходимость периодического обновления аналоговой памяти влияют на общую производительность, формулируя практические правила проектирования для будущих крупномасштабных систем.

Что это значит для будущих чипов ИИ

Для неспециалистов главный вывод таков: работа демонстрирует реалистичный путь к аппаратуре ИИ, которая одновременно очень быстрая и значительно более энергоэффективная — за счёт того, что вычисления выполняет свет, а простая аналоговая память удерживает настройки. Несмотря на то, что эти памяти со временем тускнеют, сеть может терпимо относиться к этой «забывчивости» и даже использовать её как форму регуляризации, помогая избегать переобучения. Встраивая память непосредственно в оптическую структуру чипа и резко сокращая дорогие этапы преобразования, нейроморфные фотонные процессоры такого рода могут обеспечить будущие системы ИИ, которые учатся на ходу, адаптируются к меняющимся условиям и работают на высокой скорости без огромных энергетических затрат современных центров обработки данных.

Цитирование: 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

Ключевые слова: нейроморфная фотоника, аналоговая память, оптические вычисления, энергоэффективный ИИ, кремниевая фотоника