Kan fotonik holde Moores lov i live?

Moores lov fastslår, at antallet af transistorer i en integreret kredsløb vil stige cirka hver anden år, sammen med computerkraften. Dette princip har stort set været korrekt siden 1965. Man kan dog antage, at Gordon E. Moore, medstifter af Intel (INTC ), aldrig overvejede, at chips ville nå deres miniaturiseringsgrænser, hvilket ville få den beregningsmæssige kraft til at hænge bagefter.

Heldigvis har et hold af ingeniører fra University of California udviklet en ny metode, der bruger fotonik til at levere mere beregningskraft uden at gå på kompromis med størrelsen. Her er, hvad du behøver at vide.

Formindsk dem

Verden har været på en jagt efter at formindske computere siden deres opfindelse. Nogle af dine bedsteforældre kan endda huske, da computere krævede et helt rum og mange mennesker for at betjene dem. I dag leverer dit smartwatch mere beregningskraft end disse kæmper, og det er kun toppen af isbjerget inden for mikrocomputing. Rejsen fra et helt rum til nutidens mikroelektronik har været spændende, fyldt med eksperimenter, opdagelser og nogle gange fejl.

Fysiske og omkostningsmæssige begrænsninger

Bemærkelsesværdigt er der et punkt, hvor fremstilling af så mikroskopiske komponenter er omkostningsprohibitivt. Ifølge de fleste forskere har markedet nået dette punkt. Derudover er de beregningsmæssige gevinster ikke i overensstemmelse med Moores lov, da de mindre chips ikke kan levere beregningskraft proportional med deres større modparter.

Som følge heraf er der et voksende hul mellem tilgængelig beregningskraft og det, der er nødvendigt, hvilket får nogle velkendte aktører på markedet, som Nvidias administrerende direktør Jensen Huang, til at erklære, at Moores lov er død, og pege på applikationsspecifikke processorer som fremtiden.

Efterspørgsel efter højtydende computere

Den pludselige vækst i kunstig intelligens og maskinlæringssystemer har øget efterspørgslen efter kraftfulde beregnings- og cloudplatforme. Disse krav har overhalet chipdesignen i forhold til ydeevne, hvilket skaber en flaskehals i AI-udviklingssektoren, der begrænser innovationen. Nu er konkurrencen i gang om at levere en løsning, der kan holde trit med kravene fra nutidens højtydende computere og AI-systemer.

Løsninger på beregningskraft

Nogle analytikere mener, at en løsning er at skabe specielle chips, der har logik og behandling på samme chip. Denne tilgang hjælper med at reducere latenstid og energiforbrug samt forbedrer ydeevnen. Dog gør beregningsmæssige begrænsninger det stadig uideelt, når man diskuterer massive AI-databehov.

Hukommelsesberegning

En anden løsning, der har forskere begejstrede, er hukommelsesberegning. Denne lagringsmetode bruger en hurtig adgangs-RAM i stedet for en roterende harddisk. Specifikt sættes RAM fra et netværk af computere op ved hjælp af middleware-software til at køre hukommelsen parallelt. Denne lagringsmetode er 5000 gange hurtigere end traditionelle metoder, men kan stadig ikke følge med Moores lov.

Fotonik

Fotonik er en anden metode til højtydende beregning, som har forskere interesserede. Fotonik fungerer ved at opdage lysbølger ved hjælp af elektronik. Videnskaben drejer sig om at generere og kontrollere lys, mens det passerer gennem en matrix af programmerbare optiske vægte.

Disse vægte integrerer et 2D-array af ikke-flygtige optiske modulatorer, som gør det muligt at udføre en lineær transformation på en vektor af optiske input. Denne strategi giver hurtigere skiftehastigheder end RAM-beregningsmetoder.

Nuværende begrænsninger for fotonik

Nogle af ulemperne ved fotonik i beregning inkluderer, at de nuværende systemer kun kan omskrives omkring 1000 gange. Denne begrænsede levetid gør dem til en dyr løsning. Derudover har de optiske vægte lav lagringstæthed, og programmering er langsommere end traditionelle chips.

Fotoniske beregningssystemer findes i forskellige former og designs. Disse systemer kræver dog specialiserede fremstillingsprocesser, som er langt dyrere end deres modparter. På trods af omkostningsbegrænsninger mener mange forskere, at fotonik er fremtiden for beregning, og at Wrights lov er nøglen til implementeringen.

Wrights lov

Der er også Wrights lov, som fortsat vil spille en rolle i vores evne til at videreudvikle halvledere. Denne lov er et fremstillingsprincip, som blev fremsat af den luftfartsingeniør Theodore Paul Wright. Mens han arbejdede i en flyproduktionsfabrik, bemærkede han, at arbejdskravene faldt med 15 % i takt med, at fremstillingsprocesserne forbedredes, selvom produktionsniveauerne steg.

Disse omkostningsbesparelser kom fra forbedrede processer, teknologi, genvindingssystemer og andre opgraderinger foretaget under produktionen. Som følge heraf mener mange analytikere, at Wrights lov vil hjælpe med at gøre fotonik til en mere tilgængelig og mindre dyr mulighed i fremtiden.

Du kan allerede se Wrights lov i aktion inden for AI-sektoren. For nogle år siden ville det have været umuligt for den gennemsnitlige person at få adgang til eller betjene et AI-system. At skabe AI-modeller, administrere og opgradere dem var simpelthen for dyrt. Derudover havde ingen skabt en pålidelig måde for AI at interagere med mennesker.

Men siden programmer som ChatGPT kom på markedet, kan enhver nu udnytte disse kraftfulde værktøjer til at forbedre deres effektivitet og kreativitet. Disse systemer integrerer store sprogmodeller, som gør det enkelt for alle at betjene dem via simple chat-forespørgsler. Denne udvikling har drevet AI-adoptionen til nye højder, hvilket har ført til de nuværende mangler på beregningskraft.

Fotonikundersøgelse

Undersøgelsen “Integreret ikke-reciprok magneto-optik med ultra-høj udholdenhed for fotonisk in-memory computing“¹  offentliggjort i tidsskriftet Nature Photonics afslører en ny metode til optisk beregning, som kan revolutionere markedet. Undersøgelsen dykker dybt ned i kodning af optiske vægte for in-memory fotonisk beregning i detaljer.

Kilde – Nature

Forskerne valgte at bruge magneto-optiske hukommelsesceller og en resonansbaseret fotonisk arkitektur for at opnå deres beregningsmål. Strategien bygger på ikke-reciprok faseforskydning i magneto-optiske materialer som en metode til at implementere fotonisk in-memory computing.

En ny matematisk model gjorde det muligt for holdet at teste magneto-optiske materialer. De fandt ud af, at cerium-substitueret yttriumjern-garnet (YIG) gjorde det muligt at udnytte et eksternt magnetfelt til at kontrollere lysets udbredelse. Dette kontrollerede lys kunne derefter bruges til at udføre beregninger.

Undersøgelsen demonstrerede, hvordan små magneter kan lagre data effektivt og få adgang til dem lynhurtigt.

Processen med at kode magneterne fungerer ved at indstille enhedens magnetiske domænestyrke. For at betjene enheden skal elektroniske signaler konverteres til det optiske domæne ved hjælp af elektro-optiske (E/O) modulatorer til programmering og lagring. Derfra konverterer balancerede fotodetektorer (BPD’er) det differentielle optiske signal tilbage til et elektrisk signal, så CMOS-logikken kan behandle det sammen med SRAM.

Fotoniktest

For at teste deres ikke-flygtige magneto-optiske hukommelsescelle opstillede forskerne forskellige tilgange. De startede med en 2-bit elektrisk input, som gjorde dem i stand til at opnå to positive og to negative optiske vægte. Derfra blev det magnetiske felt manipuleret for at overvåge ændringer.

Cerium-substitueret yttriumjern-garnet (YIG),

Et 500 nm tykt enkeltkrystallinsk YIG blev laboratoriedyrket ved hjælp af en radiofrekvens-sputteringsmetode ved 750 °C til testfasen. Specifikt besluttede holdet at bruge en wafer med en ringradius på 35 µm. Derudover blev et 10 nm tyndt siliciumoxidlag integreret som en måde at adskille siliciumlaget fra Ce : YIG-laget.

Fotonikprogrammering

Programmering af hukommelsescellens tilstand kræver et radialt planmagnetisk felt leveret af en integreret guld-elektromagnet. Systemet kan elektronisk måle ændringer i optisk tab afhængigt af retningen og det magnetiske felt, der påføres via en ferromagnetisk tynd film.

Denne opsætning skaber et programmerbart, ikke-flygtigt magnetisk felt, som gør det muligt for ingeniører at inducere en ikke-reciprok optisk faseforskydning i hukommelsescellen. Bemærkelsesværdigt dokumenterede undersøgelsen både med-ur (CW) og mod-ur (CCW) tilstande af en mikroring-resonator som en metode til at programmere og få adgang til beregningsdata.

Fotoniklivscyklus

Test af hukommelsens livscyklus var et andet skridt. Holdet programmerede en vilkårlig funktionsgenerator, der cyklede mellem skrive- og slettepulser som en del af deres tilgang. Systemet blev justeret med en hastighed på 10 kHz. Ingeniørerne brugte derefter en amplitude på ±5 V og en pulsbredde på 500 ns for at efterligne virkelige omskrivninger. Resultaterne var øjenåbnende.

Fotonikresultater

Testresultaterne demonstrerede, hvordan denne nye metode inden for fotonik kan ændre beregning for altid. For det første viste det nye system næsten ubegrænsede omskrivningsmuligheder. Specifikt blev 2,4 milliarder programmeringscyklusser opnået.

Derudover fastslog ingeniørerne, at udnyttelse af ikke-reciproke faseforskydninger i magneto-optiske materialer gør det muligt at programmere dem deterministisk hurtigt og effektivt. Dataene viste, at en programmeringshastighed på ca. 1 GHz var mulig. Holdet opnåede også ikke-flygtighed og flertrinskodning, som overgår nuværende metoder. Følgelig kan denne forskning revolutionere computermarkedet fremover.

Fotonikfordele

Flere fordele gør fotonikundersøgelsen til en game changer. For det første kan det nye system udføre komplekse operationer, der kræver massiv beregningskraft. Disse systemer er ideelle til AI- og ML-operationer, som kræver matrix-vektor-multiplikation og andre avancerede videnskaber.

Reduceret latenstid

Forskere fandt, at fotonik leverer højere hastigheder sammenlignet med traditionelle muligheder. Testfasen afslørede 1 ns hukommelsesadgang. Denne hastighed er 100 gange hurtigere end tidligere fotoniske enheder, hvilket åbner døren for et nyt innovationsniveau.

Lavere energiforbrug

Energieffektivitet er en anden fordel, som fotonisk system bringer til markedet. Systemet kan omprogrammere og få adgang til hukommelse med en brøkdel af strømkravene for andre muligheder. Holdet opnåede en effektivitet på 143 fJ per bit, hvilket placerer det nye systems krav på 1/10 af andre fotoniske muligheder.

Programmerbar igen

En af de største fordele ved fotonisk forskning er afsløringen af, at disse enheder har en næsten uendelig genprogrammeringscyklus. Ingen andre beregningslagringsmuligheder giver brugerne mulighed for at omskrive data +2Bx. Som følge heraf kan denne videnskabelige forskning have en gennemgribende effekt på datacentre.

Fotonikforskere

Fotonikforskningen blev ledet af Santa Barbara, John Bowers og Galan Moody. Paolo Pintus, Nathan Youngblood, Yuya Shoji og Mario Dumont spillede også afgørende roller i forskningen og udviklingen af det fotoniske system. Nu vil holdet søge at udvide deres forskning til andre materialer for at finde den bedste mulighed til at drive morgendagens AI-revolution.

Virksomheder, der kan drage fordel af fotonikforskningen

Der er en række virksomheder, der kunne udnytte denne forskning til at forbedre deres produkter og tjenester. Cloud computing-netværk og datacentre er to åbenlyse sektorer, som vil opleve store indtægtsstigninger, hvis de kan implementere denne teknologi. Her er en virksomhed, der er perfekt placeret til at udnytte denne information.

Snowflake

Snowflake (SNOW ) gik ind på cloud computing-markedet i 2012. Det har hovedkontor i Montana og blev medstiftet af Benoît Dageville, Thierry Cruanes og Marcin Żukowski for at levere højtydende cloud computing til markedet. I dag spiller Snowflake en afgørende rolle i at gøre det muligt for virksomheder at gemme, migrere og behandle data i skyen.

Snowflake betragtes af mange som et topaktievalg på grund af dets engagement i innovation, banebrydende tjenester og positionering. Virksomheden har for nylig været i nyhederne på grund af sit One Million Minds + One Platform-initiativ, som sigter mod at opkvalificere millioner af arbejdere inden 2029.

Snowflake er et af de mest anerkendte navne inden for cloud computing-sektoren. På nuværende tidspunkt håndterer det over 4,2 milliarder forespørgsler dagligt og har over 10.000 kunder, herunder 800 virksomheder, der er med på Forbes-listerne. Denne support og kundebase kan øge interessen for virksomhedens aktier.

Hvis Snowflake kunne implementere et fotonisk lagringssystem i et datacenter, kunne de se massive afkast på investeringen. Systemet ville optage mindre plads, kræve mindre energi og producere langt mindre varme. Derudover ville de have en ubegrænset omskrivningslevetid, mens de kunne tilbyde lavere latenstid til deres kunder. Dette kunne igen øge indtægterne.

Fotonik – at bruge lys til at løfte beregning til næste niveau

Fotonik kan være, hvad verden har brug for for at låse op for et nyt niveau af beregningsforståelse. Denne teknologi tilbyder den levetid og bæredygtighed, som ingeniører søger i dag. Følgelig ser mange denne forskning som afgørende for AI-bevægelsen. Alle disse faktorer betyder, at fotonisk beregningsbevægelse er helt i rette tid.

Lær om andre spændende beregningsprojekter her.

Studierreference:

^{1. Pintus, P., Dumont, M., Shah, V., et al. (2025). Integreret ikke-reciprok magneto-optik med ultra-høj udholdenhed for fotonisk in-memory computing. Nature Photonics, 19(1), 54–62. https://doi.org/10.1038/s41566-024-01549-1}