Træning af AI med optisk fiber: Et lysbaseret spring

Hvorfor optisk fiber kunne erstatte elektricitet i AI-beregning

Siden de tidlige dage af beregning, har næsten alle computere været baseret på beregninger ved hjælp af elektricitet på den ene eller anden måde, fra antikke vakuumrør til moderne nanometer‑skala siliciumchips.

Efterhånden som siliciumchips bliver mindre og mindre, har forskere kigget på nye måder at bygge computere på, som kunne skubbe vores kapacitet ud over siliciumchips, et emne vi udforskede i “Top 10 Ikke‑Silicium Computing‑virksomheder”.

Disse metoder inkluderer brug af forskellige materialer, som kulcarbid, vanadiumdioxid, organiske materialer eller grafen, for eksempel. En anden måde er at ændre hvordan beregning udføres, ved at bevæge sig væk fra den binære programmering af el‑baseret beregning, hvilket omfatter kvanteberegning og fotonik.

Fotonik bruger lys i stedet for elektricitet til at kode og overføre information. Indtil nu er det dog stadig blevet konverteret til et binært signal, og har ikke formået at skabe en ren lysbaseret form for beregning.

Dette har ændret sig med arbejdet fra forskere ved Tampere University (Finland) og Université Marie et Louis Pasteur (Besançon, Frankrig). De brugte optisk fiber til ultrahurtige beregninger og offentliggjorde deres fund i det videnskabelige tidsskrift Optics Letters¹, under titlen “Limits of nonlinear and dispersive fiber propagation for an optical fiber-based extreme learning machine”.

Begrænsninger ved traditionel AI‑træning med elektroniske systemer

AI‑træning og databehandling når grænser i forhold til effektivitet, hvor AI‑beregning i stigende grad er begrænset af energiforbrug og hastigheden af databehandling.

I modsætning hertil har lysbaserede beregninger potentialet til at være tusinder af gange hurtigere og kan kode data i små energiforskelle, hvilket gør dem mere effektive. Problemet er, at der indtil nu ikke er udført nogen direkte beregning ved brug af lys.

Forskernes arbejde brugte en særlig klasse af beregningsarkitektur kendt som en Extreme Learning Machine (ELM), en tilgang inspireret af neurale netværk.

Blandt nogle af deres fordele kan ELM‑er lære fra træningsdata i ét skridt og er en relativt simpel algoritme.

Som regel er ELM usandsynlig at være nyttig for meget komplekse opgaver, der kræver flere lag af AI‑træning, men kan præstere meget godt og mere effektivt for specifikke opgaver, som visuel genkendelse for eksempel.

Hvordan forskerne kodede billeder ved brug af optiske fibre

Forskerne brugte femtosekund‑laserpulser (en milliard gange kortere end et kamera‑blink) og en optisk fiber, der begrænsede lyset til et område mindre end en brøkdel af et menneskehår, for at bygge et optisk ELM‑system.

Laserpulserne er korte nok til at indeholde et stort antal forskellige bølgelængder eller farver, hvilket skaber et rigt datasæt.

Derefter sendte de disse data ind i fiberen med en relativ forsinkelse kodet i henhold til et billede.

Kilde: Tampere University

Den ikke‑lineære optiks rolle i AI‑behandling

Denne form for datakodning blev transformeret af den ikke‑lineære interaktion mellem lys og glas.

Lineær optik er den almindelige optik, der undervises i skolen, hvor lyset direkte interagerer med et prisme, for eksempel.

I ikke‑lineær optik afhænger reaktionen i det medium, som lyset passerer igennem, af lysets bølgelængde, intensitet, retning og polarisation.

Ikke‑lineære optiske komponenter kan få fotoner med forskellige frekvenser til at kombinere og skabe nye fotoner ved nye frekvenser.

“I stedet for at bruge konventionel elektronik og algoritmer opnås beregning ved at udnytte den ikke‑lineære interaktion mellem intense laserpulser og glasset.”

Mathilde Hary og Andrei Ermolaev – Postdoktorale forskere

Den ikke‑lineære interaktion og Extreme Learning Machine‑algoritmen (ELM) var i stand til at træne en AI til at klassificere håndskrevne cifre (som dem der bruges i den populære MNIST AI‑benchmark).

Kilde: Optics Letters

De bedste systemer nåede en nøjagtighed på over 91 %, tæt på de mest avancerede digitale metoder.

Det, der gør resultatet ekstraordinært, er at det blev opnået på under et picosekund, eller en billiontedel af et sekund (0,000000000001 sekunder).

Ideel optimering

De bedste resultater forekom ikke ved det maksimale niveau af ikke‑lineær interaktion eller kompleksitet.

I stedet krævede de en fin balance mellem fiberlængde, dispersion (forskel i udbredelseshastighed mellem forskellige bølgelængder) og effekt‑niveauer.

“Ydelsen afhænger ikke blot af at skubbe mere effekt gennem fiberen. Den afhænger af, hvor præcist lyset oprindeligt struktureres, med andre ord hvordan informationen kodes, og hvordan den interagerer med fiberens egenskaber.”

Mathilde Hary – Postdoktoral forsker

Er optiske fiber‑computere fremtiden for AI?

Træning af AI’er kun med lys er en radikal afvigelse fra alle metoder, der hidtil er brugt. Det er sandsynligvis ikke en metode, der kan anvendes på alle typer data, men for dem, hvor den kan anvendes, kan den give resultater, der er 1.000 × mere energieffektive og op til en million gange hurtigere.

“Vores modeller viser, hvordan dispersion, ikke‑linearitet og endda kvante‑støj påvirker ydeevnen, og giver kritisk viden til design af næste generation af hybride optisk‑elektroniske AI‑systemer.”

Andrei Ermolaev – Postdoktoral forsker

Det er mest sandsynligt, at en sådan tilgang vil betyde, at noget AI‑regning delegeres til specialbygget, ikke‑lineært optisk fiber‑hardware. Så gentagne opgaver, som visuel identifikation, vil være de bedste kandidater frem for behandling af nye data.

“Dette arbejde demonstrerer, hvordan grundforskning i ikke‑lineær fiberoptik kan drive nye tilgange til beregning. Ved at kombinere fysik og maskinlæring åbner vi nye veje mod ultrahurtig og energieffektiv AI‑hardware.”

Andrei Ermolaev – Postdoktoral forsker

Potentielle anvendelser spænder fra real‑tids signalbehandling til miljøovervågning og højhastigheds‑AI‑inference.

Sådan arbejde er dog stadig på demonstrationen af de grundlæggende principper for teknikken og langt fra et kommercialiseringsstadium.

Det demonstrerer alligevel, at fotonik sandsynligvis vil blive en stadig vigtigere del af computerindustrien fremover, da lys kan være overlegen i forhold til elektricitet for visse beregningsapplikationer på grund af grundlæggende fysiske årsager.

Top offentligt handlede laser‑ & fotonik‑virksomhed

Coherent (II-VI Marlow): En leder inden for laserinnovation

Coherent er et stort industrielt konglomerat med over 26.000 ansatte og en leder inden for laserteknologi. Det opstod som følge af fusionen mellem det avancerede materiale II‑VI Marlow og laserproducenten Coherent.

Virksomheden er ekspert i avancerede materialer, der bruges i laser, optik og fotonik, såsom indiumfosfid, epitaktiske wafere og galliumarsenid.

Den voksede kraftigt takket være flere opkøb i løbet af det sidste årti, fra 600 millioner $ i omsætning i 2013 til 4,7 milliarder $ i 2024.

Virksomheden får 29 % af sin omsætning direkte fra laserprodukter, mens resten er knyttet til tilhørende udstyr som optisk fiber og elektronik. Instrumentationskategorien omfatter primært livsvidenskab og medicinske anvendelser.

Kilde: Coherent

Virksomhedens tilstedeværelse inden for avancerede materialer som termofotovoltaik (som vi diskuterede i en tidligere artikel), siliciumkarbid, laser og elektronik hjælper den med at drage fordel af strukturelle tendenser som væksten i præcisionsproduktion, additiv fremstilling (3D‑print), elektrificering og vedvarende energier.

Virksomheden har for nylig adskilt sin siliciumkarbid‑forretning til en ny enhed, hvor 75 % ejes af Coherent, mens resten ejes ligeligt af partnerne Mitsubishi Electric (der leverer siliciumkarbid‑kraft‑IP) og Denso (der bidrager med sin aktivitet som billeverandør inden for elektrificering og effekt‑semiconductorer).

Dette skyldes, at siliciumkarbid i stigende grad er sin egen teknologi, primært brugt i høj‑effekt‑applikationer som el‑biler, batterier og vedvarende energi.

Coherent er en leder inden for LIDAR og 3D‑digital sensing, herunder til selvkørende applikationer, biotek Next Generation Sequencing (NGS) Flow Cells og lasere til fremstilling af halvledere. Den forventer, at hovedmarkederne vokser med 8‑20 %.

Kilde: Coherent

De andre potentielle nye anvendelser af laser, såsom direkte energivåben, fotonisk beregning, kernesfusion og rumteknologi, kan alle lige så meget bidrage til at opretholde virksomhedens langsigtede vækst.

Samlet set er Coherent så tæt på en “ren” børsnoteret laservirksomhed som investorer interesseret i sektoren kan komme, med stærk vertikal integration og over 3.100 patenter, der beskytter deres innovationer.

Efterhånden som fotonik udvikler sig, vil efterspørgslen efter ultrahurtige, ultranøjagtige lasersystemer samt laser‑baserede optiske telekommunikationsløsninger stige.

Seneste Coherent (COHR) aktienyheder og udviklinger

Studie refereret

^{1. Andrei V. Ermolaev, Mathilde Hary, et al. Begrænsninger af ikke‑lineær og dispersiv fiberpropagation for en optisk fiber‑baseret ekstrem læringsmaskine. Optics Letters. Vol. 50, Issue 13, pp. 4166-4169 (2025) https://doi.org/10.1364/OL.562186}