Högklockad fri‑rums optisk in‑memory‑beräkning

Varför detta är viktigt för vardaglig smart teknik

Från självkörande bilar och leveransdroner till högfrekvent handel och fjärrkirurgi måste allt fler beslut fattas på bråkdelen av en sekund, ofta långt från stora datacenter. Dagens elektronik har svårt att hänga med utan att överhettas eller tömma batterierna. Denna artikel presenterar en ny typ av ljusbaserad beräkningsmotor som kan utföra centrala uppgifter inom artificiell intelligens extremt snabbt och med låg energiförbrukning, vilket potentiellt kan förändra hur smarta enheter fungerar i nätverkets ”edge”.

Att förvandla ljus till en räknemaskin

Modern AI förlitar sig i hög grad på en grundläggande operation: multiplicera och addera stora rutor av tal, ungefär som att upprepade gånger skjuta en liten mall över en bild och räkna vad den ser. Att göra detta med elektroner på kretsar är kraftfullt men ineffektivt, eftersom data hela tiden måste föras fram och tillbaka mellan minne och processor. Forskarna bygger istället ett system kallat FAST‑ONN som låter ljuset göra mycket av arbetet i fri‑luft. De använder små halvledarlaser arrangerade i ett prydligt rutnät för att koda bildpixlar som ljusintensitet, låter sedan dessa strålar färdas genom optiska komponenter som applicerar ett neuralt nätverks ”vikter” direkt i rummet, innan de träffar ljussensorer som omvandlar resultaten tillbaka till elektriska signaler.

Hur den optiska motorn är uppbyggd

I hjärtat av systemet finns en tät matris av mikroskopiska lasrar kända som vertical‑cavity surface‑emitting lasers (VCSELs). Varje enhet i ett 5×5‑rutnät representerar en pixel i en liten bildpatch och kan växlas i gigahertz‑hastigheter—miljarder gånger per sekund. Ett mönstrat glaselement delar upp detta gitter av strålar i flera kopior, så samma patch kan bearbetas parallellt av flera olika filter. En programmerbar spatial ljusmodulator, liknande en högupplöst display, fungerar som in‑memory‑lagring för filtervärdena: dess miljontals små pixel delar dämpar eller släpper igenom ljus för att representera ett neuralt nätverks vikt. Strålarna samlas sedan i fiberkopplade detektorer som summerar ljuset för varje filter, vilket i praktiken slutför en batch av konvolutionsoperationer i ett optiskt steg.

Hantera positiva och negativa ”tankar”

AI‑modeller behöver inte bara förstärka vissa mönster; de måste också dämpa andra, vilket kräver både positiva och negativa vikter. Eftersom ljusintensitet naturligt aldrig är negativt har detta länge varit en utmaning för rent optisk beräkning. Författarna löser detta genom att dela upp ljuset i en signalbana som bär de viktade strålarna och en referensbana som lämnas oviktad. Båda matas in i specialparade detektorer som subtraherar den ena från den andra, så mindre ljus kan representera ett negativt bidrag. Denna fiffiga differentiella avläsning tillåter den optiska hårdvaran att efterlikna det fulla beteendet hos vanliga neurala nätverk samtidigt som den är robust mot brus och små imperfektioner i enheterna.

Sätta systemet på prov

För att visa att FAST‑ONN inte bara är en fysikdemonstration kopplar teamet in det i realistiska igenkänningsuppgifter. De ansluter den optiska motorn till ett standardvisionsnät tränat på COCO‑bilddatasetet, som ofta används för att testa objektidentifiering. I ett experiment som speglar en självkörande bils scenario analyseras beskurna regioner av trafikscener för att avgöra om varje region innehåller ett fordon. Det mest krävande konvolutionslagret läggs över på den optiska hårdvaran, medan resterande steg körs digitalt. Den optiska och den rent elektroniska versionen av modellen överensstämmer väl och uppnår nästan identisk prestanda i att skilja bilar från bakgrundsbrus. De visar också handskrifts‑ och klädkategorisering, och genomför till och med träning där det optiska systemet beräknar framåtpasser medan en dator uppdaterar vikterna, vilka sedan laddas in i ljusmodulatorn.

Hastighet, effektivitet och vad som kommer härnäst

I sin nuvarande form bearbetar prototypen 100 miljoner små bildpatchar per sekund med 5×5‑lasrar och nio filter samtidigt, och når redan nästan en miljard konvolutionsoperationer per sekund med beslutstider i mikrosekundskala. Detaljerade analyser antyder att med större arrayer och snabbare kommersiella lasrar kan detta tillvägagångssätt skalas upp för att utföra tiotusentals biljoner operationer per sekund samtidigt som det använder avsevärt mindre energi än ledande elektroniska acceleratorer. Eftersom huvudkomponenterna är kompakta och massproducerbara skulle FAST‑ONN i slutändan kunna möjliggöra små, låg‑effekt optiska koprocessorer i kameror, drönare och andra edge‑enheter, så att de kan ”tänka med ljus” och reagera på världen nästan lika snabbt som den förändras.

Citering: 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

Nyckelord: optiska neurala nätverk, edge‑AI‑hårdvara, VCSEL‑arrayer, in‑memory‑beräkning, hög‑hastighets konvolution