Microcomb‑driven parallell självkalibrerande optisk konvolutionsströmprocessor

Varför snabbare tänkande maskiner spelar roll

Från strömmad video till träning av massiva AI‑modeller drunknar moderna datacenter i information. Att förflytta och bearbeta all denna data med dagens elektroniska kretsar förbrukar enorma mängder energi och stöter mot gränser för hastighet. Denna artikel presenterar en ny typ av ljusbaserad beräkningskrets som kan fungera som en snabb, energieffektiv ”front end” för AI‑system och hantera en del av den tyngsta matematiken innan datan når konventionella processorer.

Låt ljuset göra det tunga arbetet

De flesta AI‑system förlitar sig på konvolution, en slags glidande matematisk fönsteroperation som skannar bilder, ljud eller andra signaler för att plocka ut kännetecken som kanter eller texturer. Elektroniken utför dessa operationer steg för steg och flyttar siffror in och ut ur minnet. Den här kretsen ersätter det med en fysisk process där ljusstrålar delas, fördröjs, viktas och sedan återkombineras. Eftersom beräkningen sker medan ljuset färdas undviks mycket av den datarörelse som saktar ner och värmer elektronisk hårdvara, och den kan köras på tiotals miljarder operationer per sekund för varje dataström.

Många ljusfärger, många uppgifter samtidigt

En nyckelkomponent är en enhet kallad mikrokam: en liten ringformad laser som producerar dussintals jämnt åtskilda färger, eller våglängder, av ljus samtidigt. Varje färg fungerar som en självständig fil i en högfarts optisk motorväg. Teamets optiska konvolutionsströmprocessor skickar alla dessa färger genom samma krets, men organiserar banorna så att de upplever samma ”konvolutionskärna” — mängden vikter som används för att analysera datan. Tidsfördröjningar mellan banor, i kombination med de olika färgerna, skapar en tredimensionell form av parallellism i tid, rum och våglängd. I experiment bearbetade systemet data med 50 gigabaud per färg och uppnådde en total beräkningshastighet på cirka 4 biljoner operationer per sekund över fem våglängder.

Lära en ljuskrets att hålla sig noggrann

Att använda interferens mellan ljusvågor för beräkning är kraftfullt men ömtåligt: förändringar i banlängd på nanometernivå kan förstöra de noggrant inställda vikterna. För att bevara kretsens noggrannhet byggde forskarna in en särskild referensbana och en självkalibreringsprocedur. Genom att svepa en laser över frekvenser och mäta enbart uteffekten rekonstruerar de både styrkan och fasen för varje bana i enheten. En återkopplingsslinga justerar sedan små värmare på kretsen tills de uppmätta konvolutionsvikterna matchar de önskade. Denna automatiska fininställning korrigerar inte bara för tillverkningsfel och temperaturdrift, utan gör det också möjligt att omprogrammera samma krets för olika uppgifter, som utjämning eller kantdetektion i bilder.

Från bildfilter till verkliga AI‑arbetsbelastningar

För att visa att processorn är användbar bortom enkla demoexempel kombinerade författarna den med standard elektroniska neurala nätverkslager i ett hybridssystem. Den optiska kretsen tog hand om det första konvolutionslagret och extraherade grundläggande funktioner från färgbilder som fördes på flera våglängdskanaler. De resulterande funktionsströmmarna konverterades tillbaka till elektronik och matades in i ett djupare digitalt nätverk. Testat på bilddatasetet CIFAR‑10, som innehåller klasser som flygplan, katter och lastbilar, närmade sig det blandade optisk‑elektroniska systemet noggrannheten hos en helt digital modell samtidigt som en del av den tunga beräkningen förlades till det fotoniska området.

Vad detta kan betyda för framtida datacenter

Enklare uttryckt visar detta arbete att små chips som beräknar med ljus kan kopplas direkt in i befintliga fiberoptiska länkar i datacenter och fungera som delade acceleratorer för AI‑arbetsbelastningar. Genom att kombinera många ljusfärger, flera fördröjningsbanor och en inbyggd självkalibreringsmetod uppnår den demonstrerade processorn mycket höga hastigheter och god noggrannhet utan överdriven energiförbrukning. Om tekniken skaleras upp skulle liknande enheter kunna placeras mellan lagring och beräkningsrack, utföra snabb filtrering och funktionsutvinning av data i flödet och hjälpa framtidens ”tänkande” maskiner att bli snabbare och grönare.

Citering: Wang, J., Xu, X., Zhu, X. et al. Microcomb-enabled parallel self- calibration optical convolution streaming processor. Light Sci Appl 15, 149 (2026). https://doi.org/10.1038/s41377-025-02093-5

Nyckelord: optisk beräkning, fotontisk AI‑hårdvara, mikrokam, acceleration i datacenter, konvolutionella neurala nätverk