Enkeltskjuts matris-matris fotonisk processor baserad på rums-spektral hypermultiplexad parallell diffraktion

Varför snabbare, grönare databehandling spelar roll

Varje gång vi frågar en digital assistent något eller bläddrar i sociala medier arbetar kraftfulla artificiella intelligensmodeller i bakgrunden. Dessa modeller blir så stora att konventionella datorchip har svårt att hänga med utan att använda enorma mängder energi. Den här artikeln beskriver en ny typ av beräkningshårdvara som använder ljus istället för elektricitet för att utföra centrala AI-beräkningar, med målet att göra framtida maskiner både snabbare och mycket mer energieffektiva.

Att förvandla ljus till en räknemaskin

Modern AI bygger på operationer som kallas matris­multiplikationer, upprepade miljarder eller biljoner gånger när ett neuralt nätverk analyserar bilder eller text. Elektroniska chip gör detta arbete pålitligt men slösar mycket energi bara på att flytta data fram och tillbaka inom chippet. Forskarna bakom denna studie bygger på en annan idé: låt ljuset självt utföra matematiken. I ett optiskt neuralt nätverk kodas information i laserstrålar, manipuleras när strålarna passerar genom linser och modulatorer, och avläses sedan av ljussensorer. Eftersom fotoner inte värmer upp ledningar på samma sätt som elektroner kan sådana system i princip nå mycket högre hastigheter och effektivitet.

Att göra många beräkningar i ett svep

De flesta befintliga optiska neurala nätverk har en begränsning: de klarar bara ett måttligt antal beräkningar parallellt innan de blir för komplexa att skala upp. Detta arbete introducerar en "single-shot" matris–matris fotonisk processor som dramatiskt ökar hur många operationer som kan utföras samtidigt. Nyckelidén är att packa information i tre olika aspekter av ljus samtidigt — dess rumsliga position, dess färg (våglängd) och dess timing. Genom att noggrant arrangera dessa dimensioner kan enheten utföra en full matris–matris multiplikation, som involverar tusentals multiplicera-och-addera-steg, i ett enda ljuspass genom systemet.

Ett diffraktionsgitter som trafikreglerare för ljus

I hjärtat av designen finns ett enkelt men kraftfullt optiskt element: ett diffraktionsgitter som delar upp ljus i olika vinklar beroende på dess färg. Teamet använder ett specialarrangerat, tredimensionellt gitterliknande system som en trafikreglerare, som dirigerar många färgade strålar från många ingångskanaler till omordnade utgångskanaler. Data som ska bearbetas kodas som ljusintensiteter på en uppsättning modulatorer, medan det neurala nätverkets "vikter" kodas på en annan uppsättning. När strålarna möts och passerar genom gitteret omordnas deras banor så att varje utgångskanal naturligt summerar rätt kombinationer av data och vikter. Tidsintegrerande detektorer ackumulerar sedan bidrag över flera korta tidssteg, vilket effektivt utökar beräkningens storlek utan att lägga till extra komplexitet i optiken.

Från laboratorieuppställning till verkliga AI-uppgifter

Författarna demonstrerar en optisk tensprocessor 16×16×16×16, vilket innebär att den kan multiplicera en 16×16-matris med en annan 16×16-matris i ett optiskt "skott", och därmed utföra 4096 grundläggande operationer samtidigt. Systemet körs i flera gigahertz klockfrekvenser och når en effektiv beräkningsprecision på mer än åtta bitar, jämförbart med många praktiska AI-acceleratorer. För att visa att detta inte bara är ett fysikaliskt demonstrationsprojekt använder de processorn för att köra delar av en liten bildigenkänningspipeline: ett konvolutionellt neuralt nätverk som extraherar kännetecken ur sifferbilder, följt av ett fullt anslutet neuralt nätverk som klassificerar dem. Även med optiskt brus och hårdvaruimperfektioner känner uppställningen korrekt igen handskrivna siffror med cirka 96 % noggrannhet, nära en heldigital implementering av samma modell.

Energianvändning, känslighet och hur långt det kan skala

Eftersom arkitekturen återanvänder samma optiska komponenter över många parallella kanaler och ackumulerar signaler effektivt kan varje grundläggande operation utföras med extremt lite energi — ner till tiotals attojoule optisk energi per multiplikation. Författarna uppskattar en övergripande energieffektivitet som redan överträffar vissa toppmoderna elektroniska AI-acceleratorer, och argumenterar för att modest förbättring i modulatorer och digitalt-till-analog-omvandlare kan pressa detta till hundratals biljoner operationer per sekund per watt. Viktigt är att designen undviker några av de skalningshinder som plågar andra optiska scheman, så större versioner med många fler kanaler (till exempel 30×30 eller till och med 60×60 matriser) verkar genomförbara med liknande komponenter.

Vad detta betyder för vardagsteknik

Kort sagt visar denna forskning att en relativt enkel optisk uppställning — ett smart sätt att styra färgat ljus genom ett diffraktionsgitter — kan fungera som en kraftfull, lågenergimotor för AI-liknande beräkningar. Även om detta fortfarande är en laboratorieprototyp pekar den mot framtida datacenter och edge-enheter där ljusburna processorer hanterar de tyngsta neurala nätverksarbetsbelastningarna, vilket sänker energikostnader och möjliggör större, snabbare modeller. Om sådana fotoniska tensprocessorer kan integreras och tillverkas i skala kan de bli en nyckelingrediens i nästa generationens högpresterande, energieffektiva artificiella intelligens-hårdvara.

Citering: 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

Nyckelord: optiska neurala nätverk, fotonisk beräkning, matrismultiplikation, energieffektiv AI-hårdvara, diffraktionsgitter