Neuromorf fotonisk beräkning med ett elektro-optiskt analogt minne

Varför snabbare, mer effektiva AI‑hjärnor är viktiga

Dagens artificiella intelligens körs på strömkrävande chip som ständigt flyttar data fram och tillbaka mellan minne och processorer. Denna trafikstockning slösar energi och saktar ner beräkningarna, särskilt när AI‑modeller blir större och mer komplexa. Forskningen i denna artikel presenterar en ny typ av ljusbaserad beräkningskrets med inbyggt analogt minne, utformad för att kraftigt minska denna datarörelse och göra framtida AI‑hårdvara både snabbare och betydligt mer energieffektiv.

Ljus som ett nytt sätt att räkna

I stället för att förlita sig enbart på elektroner i metallledningar använder neuromorfa fotoniska processorer ljuspulser för att bära och kombinera information, efterliknande hur signaler flödar genom nätverk av neuroner. Ljus kan färdas i många våglängder samtidigt genom samma bana, vilket möjliggör massiv parallellism och extremt låg fördröjning. Det gör fotoniska chip attraktiva för de tunga "multiplicera och addera"‑operationerna som dominerar neurala nätverk. De flesta befintliga fotoniska processorer använder dock fasta "vikter" som måste tränas på digital hårdvara och sedan kopieras in. Det begränsar hur anpassningsbara de är och lämnar fortfarande en stor börda på konventionella minnes‑ och omvandlingskretsar.

Att föra minnet intill ljuset

Författarna angriper detta problem genom att lägga till ett enkelt, foundry‑vänligt analogt minne direkt intill varje liten optisk enhet som representerar en nätverksvikt. Deras nyckelkomponent är ett dynamiskt elektro‑optiskt analogt minne (DEOAM): en vanlig kondensator kopplad till en mikroskopisk kiselring som vägleder ljus i en slinga. En liten lagrad spänning på kondensatorn skiftar svagt hur ringen samverkar med ljuset som passerar, vilket i praktiken ställer in styrkan hos en neural koppling. Eftersom kondensatorn kan behålla denna spänning under en kort tid behöver specialiserade digital‑till‑analogomvandlare inte driva varje ring kontinuerligt. I stället kan ett mycket mindre antal omvandlare uppdatera många ringar i sekvens, medan det analoga minnet håller de programmerade värdena på plats.

Hur prototypchipet fungerar

Teamet tillverkade en neuromorf fotonisk krets i en kommersiell 90‑nanometers kiselplattform och kombinerade standardelektronik och nanofotonik på samma chip. De byggde en matris av ringresonatorer, var och en ihopkopplad med sin egen kapacitiva minnescell, plus enkla switchar för att skriva, hålla eller nollställa de lagrade spänningarna. När en spänning skrivs ändras ringens respons på laserljus; när skrivkretsen kopplas bort behåller kondensatorn spänningen, och ljuset "ser" fortfarande den programmerade vikten tills laddningen gradvis läcker bort. Forskarna mätte viktiga egenskaper: minnet kan skrivas på tiotals nanosekunder, behåller användbar information i ungefär en tusendels sekund och erbjuder ungefär fem bitars analog precision. Ljuset färdas genom de optiska banorna på pikosekundnivå, så själva beräkningen är extremt snabb i jämförelse med den tid minnesvärdena förblir giltiga.

Testning med ett realistiskt neuralt nätverk

För att förstå vad dessa hårdvarubegränsningar betyder för praktisk AI simulerade författarna hur en sådan viktbank skulle bete sig i ett litet bildigenkänningsnätverk tränat på handskrivna siffror från MNIST‑datasetet. De kartlade ett trelager‑nätverk—784 ingångar, 50 dolda neuroner och 10 utgångar—på realistiska arrayer av ringar och analoga minnen, inklusive brus, begränsad precision, ändlig retention och andra imperfektioner. Studien visar att med minst omkring fyra styr‑bitar under inferens, och fler under full on‑chip‑träning, kan systemet fortfarande nå över 95 procent klassificeringsnoggrannhet. De fann också att så länge minnets retentionstid är minst 100 gånger längre än den tid det tar för en ingång att passera genom nätverket, förblir noggrannheten över 90 procent även om vikterna långsamt "läcker". Med andra ord kan ett måttligt kortlivat, läckande analogt minne fortfarande vara mycket användbart när den fotoniska beräkningen är så snabb.

Energibesparingar och designavvägningar

En central fördel med DEOAM är den drastiska minskningen av antalet digital‑till‑analogomvandlare. I konventionella konstruktioner behöver varje optisk vikt sin egen omvandlare, så antalet ökar med kvadraten av nätverkets storlek. Med DEOAM delas omvandlarna över rader eller kolumner, och antalet växer endast linjärt. Med verkliga mätningar från deras prototyp och publicerade data för standardminne och omvandlingskretsar uppskattar författarna att en sådan integrerad analog‑minnes fotonisk arkitektur kan minska energianvändningen med mer än en faktor 26 jämfört med traditionella SRAM‑plus‑omvandlare‑scheman. De analyserar också hur brus, batch‑storlek under träning och behovet av periodiska uppfriskningar av det analoga minnet påverkar den övergripande prestandan, och skisserar praktiska designregler för framtida storskaliga system.

Vad detta betyder för framtida AI‑chip

För icke‑specialister är huvudbudskapet att detta arbete visar en realistisk väg mot AI‑hårdvara som är både extremt snabb och dramatiskt mer energieffektiv, genom att låta ljuset göra beräkningarna medan enkla analoga minnen håller inställningarna. Även om dessa minnen gradvis bleknar kan nätverket tolerera och till och med utnyttja denna "glömska" som en form av regularisering, vilket hjälper till att undvika överanpassning. Genom att väva in minne direkt i chipets optiska struktur och kraftigt minska dyra omvandlingssteg kan neuromorfa fotoniska processorer som denna driva framtida AI‑system som lär sig i realtid, anpassar sig till förändrade förhållanden och arbetar i hög hastighet utan dagens datacentrals massiva energiräkningar.

Citering: 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

Nyckelord: neuromorfa fotoner, analogt minne, optisk beräkning, energieffektiv AI, kisel-fotonik