Von Silizium zu Licht: Die nächste KI‑Hardware‑Welle

Während die künstliche Intelligenz (KI) immer beliebter und leistungsfähiger wird, steigt auch ihr Bedarf an Geschwindigkeit und Energie. Der Bedarf an schnelleren, intelligenteren und effizienteren Systemen hat Forscher dazu veranlasst, eine radikale Alternative: optisches Rechnen zu erforschen.

Im Gegensatz zu herkömmlichen Prozessoren, die Elektronen verwenden, nutzt optisches Rechnen Photonen, also Lichtteilchen, um Informationen zu übertragen und zu verarbeiten. Dieser Wechsel bietet zwei entscheidende Vorteile.

Erstens sind Photonen deutlich energieeffizienter. Sie erzeugen wesentlich weniger Wärme als Elektronen, die so viel Hitze produzieren, dass ihre Leistung begrenzt wird und große, teure Kühlsysteme in Rechenzentren erforderlich sind.

Zweitens bewegt sich Licht viel, viel schneller als elektrische Ströme, was dramatisch schnellere Vorgänge ermöglicht. Optische Signale können zudem mehr Informationen transportieren und bieten einen einfachen Weg zu saubererem, schnellerem Rechnen.

Infolgedessen gibt es jetzt ein wachsendes Interesse an photonischem Rechnen. Die Technologie zeigt vielversprechende Ergebnisse in Laborumgebungen und zieht erhebliche Investitionen von großen Unternehmen an.

Allerdings hat sich die Übertragung dieses Laborerfolgs in praktische photonische Geräte als ziemlich schwierig erwiesen. Dafür müssen zunächst mehrere Hürden überwunden werden. Photonen interagieren nicht von Natur aus miteinander, was den Bau optischer Logikgatter, die für das Rechnen grundlegend sind, erschwert. Darüber hinaus befindet sich die Technologie noch in der Forschung, sodass sie nicht die Reife und Skaleneffekte besitzt, die die Fertigung elektronischer Chips dank jahrzehntelanger Kommerzialisierung hat.

Dann gibt es Kosten, Größe und niedrige Modulationsraten, die die meisten bestehenden optischen Aufbauten einschränken.

Eine neue Studie hat einen großen Schritt unternommen, um einige Einschränkungen zu überwinden, indem sie einen neuen optischen Motor entwickelt hat, der Geschwindigkeit, Effizienz und Kompaktheit auf einem Chip kombiniert.

Forscher der Tsinghua‑Universität haben ein bahnbrechendes optisches System für das Rechnen entwickelt, das Feature‑Extraktion mit beispiellos niedriger Latenz durchführt und das Potenzial hat, die KI‑Verarbeitung zu revolutionieren.

Die Verwendung von Licht anstelle von Elektrizität zur Datenverarbeitung ermöglicht es der Technologie, das Rechnen erheblich zu beschleunigen und gleichzeitig die Latenz zu minimieren – ein großer Sprung in Richtung Echtzeit‑KI.

Im Kern dieses neuen Systems befindet sich ein auf einem Halbleiter‑Optikverstärker basierender Mach‑Zehnder‑Interferometer, kurz SOA‑MZI.

Ein SOA ist ein kompaktes Gerät, das Lichtsignale direkt durch stimulierte Emission verstärkt. Gleichzeitig ist das MZI, eines der ältesten optischen Instrumente, ein einfaches Wellenleiter‑Interferenzgerät, das aus zwei Kopplern besteht, die durch zwei Wellenleiter unterschiedlicher Länge verbunden sind.

Jetzt ermöglicht das SOA‑MZI‑Setup, dass Licht die Arbeit ausführt, die dem Deep Learning zugrunde liegt. Die Informationen werden hier verarbeitet, und Merkmale wie Muster und Kanten werden im Lichtsignal erkannt, ohne sie zurück in Elektrizität zu konvertieren.

Zusätzlich wird von dem Gerät eine Wellenlängenmultiplexierung (WDM) verwendet. Diese Methode teilt das Licht in ein Farbspektrum, wobei jede Farbe ihren eigenen Datenstrom trägt. Durch die Nutzung von WDM kann der Chip viele Berechnungen parallel ausführen und dadurch den Durchsatz erhöhen.

Als das System im Labor getestet wurde, verarbeitete der Motor Daten mit Geschwindigkeiten von bis zu 10 Gigabit pro Sekunde (Gbps) pro Kanal und einer Latenz von nur wenigen Zehn‑Pikosekunden (ps). Zum Vergleich: ein ps entspricht 1.000 Femtosekunden oder einem Tausendstel einer Nanosekunde.

Diese Ergebnisse zeigen, dass der Motor viel schneller ist, als irgendein elektronischer Prozessor jemals hoffen könnte zu erreichen.

Was diese Geschwindigkeit bedeutet, ist, dass das System Informationen in Echtzeit verarbeiten kann, was es perfekt für Anwendungen wie Hochfrequenzhandel, medizinische Bildgebung, robotergestützte Chirurgie oder autonome Fahrzeuge macht. Diese Anwendungen hängen von der Fähigkeit der KI ab, Schlüsselmerkmale aus Rohdaten schnell zu extrahieren, sodass selbst Millisekunden von großer Bedeutung sind.

Der Durchbruch: Tsinghua’s optischer Motor und Echtzeit‑KI

Moores Gesetz besagt, dass sich die Anzahl der Transistoren auf einem Mikrochip etwa alle zwei Jahre verdoppelt. Dies führt zu einer Steigerung der Rechenleistung, einer Kostenreduktion und insgesamt kleineren Geräten.

Dieser Trend, der die Innovation in der Halbleiterindustrie vorangetrieben hat, scheint nun ein Ende zu finden. Da die Transistoren auf nur wenige Nanometer geschrumpft sind, nähern sich ihre Größen den physikalischen Grenzen der siliziumbasierten Technologie.

Neben der kleineren Größe, die zu Elektronentunneln und Leckströmen führt, die den Energieverbrauch und die Wärmeentwicklung erhöhen, sind die Herstellungskosten für modernste Mikrochips in die Höhe geschossen. Gleichzeitig erreicht Silizium selbst seine Leistungs- und Skalierbarkeitsgrenzen.

Deshalb haben Forscher und Unternehmen alternative Lösungen wie Chiplets, System‑in‑Package (SiP), nichtflüchtigen Speicher, Quantencomputing, Biocomputing und natürlich Photonik erforscht.

Unter diesen Alternativen zeigt die Photonik besonderes Potenzial für KI‑Anwendungen. Durch die Nutzung der Lichtenergie kann die Feature‑Extraktion, ein kritischer Schritt im maschinellen Lernen, stark beschleunigt werden.

Feature‑Extraktion ist der Prozess, Rohdaten in ein vereinfachtes Set numerischer Merkmale zu verwandeln, das das zugrunde liegende Problem für Modelle des maschinellen Lernens (ML) besser repräsentiert. Diese Technik reduziert die Datenkomplexität, um die relevantesten Informationen zu extrahieren und dadurch die Leistung und Effizienz von ML‑Algorithmen zu verbessern.

Obwohl Licht die Feature‑Extraktion beschleunigen kann, ist es äußerst herausfordernd, stabiles, kohärentes Licht für schnelle optische Berechnungen aufrechtzuerhalten.

Um dies zu bewältigen, haben Forscher der Tsinghua‑Universität eine zweite Generation eines optischen Feature‑Extraktions‑Motors (OFE2) entwickelt¹, der optische Feature‑Extraktion für zahlreiche praktische Anwendungen durchführen kann. Das integrierte On‑Chip‑System verwendet einstellbare Leistungsteiler und präzise Verzögerungsleitungen, um stabile, parallele optische Signale bereitzustellen.

Das System deserialisiert den eingehenden Datenstrom, indem es das Eingangssignal in mehrere synchronisierte Lichtwellen abtastet, die eine parallele Echtzeit‑Verarbeitung ermöglichen.

Diese Lichtwellen passieren anschließend den Diffraktionsoperator, eine mikroskopische plattenartige Struktur, die Berechnungen durchführt, während das Licht hindurch propagiert. Dieser Vorgang spiegelt die Matrix‑Vektor‑Multiplikation wider, eine grundlegende KI‑Operation zur Transformation und Verarbeitung von Daten.

Wie das diffraktierte Licht an der Ausgabe einen fokussierten ‘hellen Fleck’ erzeugt, ist grundlegend für diesen Vorgang, da es durch Anpassung der Phase der parallelen Eingangslichter teilweise zu einem bestimmten Ausgangsport abgelenkt werden kann. Diese Veränderung der Ausgangsleistung zusammen mit den entsprechenden Änderungen ermöglicht es ihrem Motor, dem OFE2, die Merkmale der zeitlichen Variationen des Eingangssignals zu erfassen.

OFE2 arbeitet mit einer Rate von 12,5 GHz, einem Rekord in der optischen Berechnung, und kann eine einzelne Matrix‑Vektor‑Multiplikation innerhalb von 250,5 ps, was die niedrigste Latenz unter ähnlichen Implementierungen von optischer Berechnung ist.

“Wir sind fest davon überzeugt, dass diese Arbeit einen bedeutenden Meilenstein für die Weiterentwicklung integrierter optischer Diffraktions‑Rechner darstellt, um in realen Anwendungen eine Rate von über 10 GHz zu überschreiten.”

– Professor Hongwei Chen, der zusammen mit seinem Team an der Tsinghua‑Universität diese Forschung durchgeführt hat

Das Team zeigte die starken Fähigkeiten ihres Systems bei verschiedenen Aufgaben.

Bei einem Test für eine digitale Handelsaufgabe erzielte OFE2 beeindruckende Ergebnisse. Ein Händler speist Echtzeit‑Preissignale in OFE2 ein, und der optimal konfigurierte Motor erzeugt Ausgangssignale, die direkt in Kauf‑ oder Verkaufsentscheidungen übersetzt werden, um bei minimaler Verzögerung stabile Rentabilität zu erreichen, da das System mit Lichtgeschwindigkeit arbeitet.

Das Team nutzte OFE2 auch zur Bildverarbeitung, wobei der Motor Kantenerkennungsmerkmale aus Eingabebildern extrahierte und zwei komplementäre Merkmalskarten erzeugte, die Relief‑ und Gravure‑Effekte ähneln. Die von OFE2 erzeugten optischen Merkmale schnitten bei der Bildklassifizierung deutlich besser ab und verbesserten die Pixelgenauigkeit bei der semantischen Segmentierung, etwa bei der Identifizierung von Organen in Computertomographie‑Scans (CT).

Noch wichtiger ist, dass KI‑Systeme, die OFE2 verwenden, weniger elektronische Parameter benötigen, was das Potenzial der optischen Vorverarbeitung demonstriert, leichtere, effizientere und kostengünstigere hybride KI‑Systeme zu ermöglichen. Die schwere Arbeit wird von der optischen Vorverarbeitung erledigt, während sich die KI‑Modelle auf das Lernen und die Interpretation konzentrieren können.

Diese Ergebnisse deuten darauf hin, dass die intensivsten Rechenlasten von der Elektronik zur Photonik verlagert werden können, was eine Zukunft von Echtzeit‑KI‑Modellen eröffnet.

Laut den Forschern kann ihr Gerät riesige Datenströme mit sehr geringem Energieverlust verarbeiten und dabei auch unter Last eine gute Signalintegrität aufrechterhalten.

“Die in unserer Studie vorgestellten Fortschritte treiben integrierte Diffraktionsoperatoren zu einer höheren Rate voran und bieten Unterstützung für rechenintensive Dienste in Bereichen wie Bilderkennung, unterstütztes Gesundheitswesen und digitale Finanzen”, sagte Chen. “Wir freuen uns auf die Zusammenarbeit mit Partnern, die datenintensive Rechenanforderungen haben.”

Klicken Sie hier, um zu erfahren, wie das Rechnen mit Lichtgeschwindigkeit durch Silizium‑Photonik möglich wird.

Der globale Wettlauf, die Berechnung mit Photonik neu zu erfinden

Wischen zum Scrollen →

Der Fortschritt von Tsinghua ist Teil einer größeren globalen Verschiebung. Wissenschaftler weltweit rennen, um die elektronischen Engpässe zu überwinden, indem sie auf Licht setzen.

Anfang dieses Jahres hat ein weiteres Team aus China vorstellte seinen Chip, der Licht nutzt, um Prozessoren zu synchronisieren und die Kommunikation der nächsten Generation sowie Hochgeschwindigkeits‑KI‑Rechnen ermöglichen könnte.

Traditionelle Chips erzeugen Taktsignale mithilfe elektronischer Oszillatoren, und sie arbeiten oft nur bei einem primären Takt, was bedeutet, dass verschiedene Anwendungen unterschiedliche Chip‑Fertigungstechnologien benötigen. Der neue Chip, der von der internationalen Gruppe von Wissenschaftlern unter der Leitung der chinesischen Peking University entworfen wurde, verwendet „Licht als Medium, um Taktsignale durch Photonen zu erzeugen.“

Sie haben einen „On‑Chip‑Mikro‑Comb“ entwickelt, der Einzel‑Frequenz‑ und Breitband‑Signale synthetisieren und Referenztakte für die Elektronik im System.

„Durch den Bau eines Ringes, der wie eine Rennstrecke auf dem Chip aussieht, kann Licht kontinuierlich mit Lichtgeschwindigkeit ‘laufen’. Die Zeit jeder Runde wird dann als Standard für die On‑Chip‑Uhr verwendet“, sagte der Hauptautor Chang Lin, der Assistenzprofessor am Institut für Informations‑ und Kommunikationstechnik an der Peking University. „Da eine Runde nur wenige Milliardenstel einer Sekunde dauert, kann die Uhr die Zeit mit ultra‑hoher Geschwindigkeit regulieren.“

Mit der neuen Technologie können Chips verschiedene Mikrowellenfrequenzbänder abdecken.

Das Team hat eine Taktfrequenz von über 100 GHz erreicht und erklärt, dass sie Tausende identischer Chips auf 8‑Zoll‑Wafern produzieren können, während sie Stabilitätsprobleme lösen und Verpackungsprozesse optimieren.

Ein weiteres internationales Forscherteam versuchte, die Grenzen von Moores Gesetz durch Photonik zu adressieren, nutzte jedoch ein magneto‑optisches Material. Das Material ist cerium‑substituiertes Yttrium‑Eisen‑Garnet (YIG), dessen optische Eigenschaften sich dynamisch als Reaktion auf externe Magnetfelder ändern.

Durch den Einsatz winziger Magnete zur Datenspeicherung und Steuerung des Lichttransfers im Material haben die Forscher eine neue Art von magneto‑optischem Speicher entwickelt.

Diese neue Speicherklasse hat laut Studie Schaltgeschwindigkeiten, die 100‑mal schneller sind als bei fortschrittlicher photonischer Integrationstechnologie, verbraucht etwa ein Zehntel der Leistung und kann über 2,3 Milliarden Mal neu programmiert werden, was potenziell eine unbegrenzte Lebensdauer bedeutet.

Währenddessen haben Wissenschaftler in den USA vom MIT einen photonischen Prozessor demonstriert, der alle KI‑Berechnungen optisch auf dem Chip durchführen kann. Ihr optisches Gerät hat tatsächlich die Schlüsselberechnungen für eine ML‑Klassifizierungsaufgabe in weniger als einer halben Nanosekunde mit 92 % Genauigkeit abgeschlossen.

In ihrer Arbeit entwickelten die Wissenschaftler nichtlineare optische Funktions­einheiten (NOFUs), um die Herausforderung der Nichtlinearität in der Optik zu bewältigen, die darauf zurückzuführen ist, dass Photonen nicht leicht miteinander interagieren, wodurch die Aktivierung optischer Nichtlinearitäten energieintensiv wird. NOFUs kombinieren Optik und Elektronik, um nichtlineare Operationen auf dem Chip zu integrieren.

Während Universitäten ihre Proof‑of‑Concept‑optischen Chips demonstrieren, sind große Technologieunternehmen nicht weit dahinter; sie erforschen aktiv, wie diese Prinzipien kommerzielle KI‑Systeme schneller und umweltfreundlicher machen können.

Microsoft‑Forscher beschrieben einen lichtbasierten Computer, der Kamerasensoren und Mikro‑LEDs verwendet, um KI um das Hundertfache effizienter zu machen. Der Prototyp des analogen optischen Computers (AOC) des Technologieriesen berechnet ein Problem zahlreiche Male, und jedes Mal verbessert er sich, bis ein „steady state“ erreicht ist.

“Der wichtigste Aspekt, den der AOC liefert, ist, dass wir eine Verbesserung der Energieeffizienz um das Hundertfache schätzen”, sagte Studien‑Co‑Autor Jannes Gladrow, KI‑Forscher bei Microsoft, im Blog‑Beitrag des Unternehmens. “Das allein ist in der Hardware beispiellos.”

Gleichzeitig programmierte das Team einen „digitalen Zwilling“, ein Modell, das die Berechnungen des physischen AOC nachahmt und skaliert werden kann, um mehr Variablen und noch komplexere Berechnungen zu bewältigen. Das Modell ermöglicht es dem Team, “an größeren Problemen zu arbeiten, als das Instrument derzeit bewältigen kann”, bemerkte Michael Hansen, Senior Director für biomedizinische Signalverarbeitung bei Microsoft Health Futures.

Der Computer kann bereits einige Aufgaben wie die Rekonstruktion von MRT‑Bildern, das Abgleichen von Finanztransaktionen und einfache KI‑Inference bewältigen.

Um den AOC zu testen, gab das Team ihm zunächst die einfache Aufgabe, Bilder zu klassifizieren, und der physische AOC erreichte etwa das Niveau eines digitalen Computers. Sein digitaler Zwilling wurde dann verwendet, um ein Bild einer Gehirn‑Scan‑Aufnahme mit nur 62,5 % der Originaldaten zu rekonstruieren, und er tat dies exakt. Diese Errungenschaft könnte, so die Wissenschaftler, zu kürzeren MRT‑Zeiten führen.

Der AOC wurde auch zur Lösung finanzieller Probleme eingesetzt, wobei er eine höhere Erfolgsquote als aktuelle Quantencomputer erreichte.

In einem Interview mit IBM sagte Francesca Parmigiani, Principal Researcher bei Microsoft Research Cambridge, dass ihr System eine “Dual‑Domain‑Fähigkeit” besitzt, was bedeutet, dass es zwei Arten von Aufgaben mit derselben Hardware ausführen kann. Dies wird durch die Nutzung von Fixed‑Point‑Search erreicht, die die Lösung beider Probleme miteinander verknüpft.

“Was mich am meisten begeistert, ist, dass wir bereits Workloads sowohl im KI‑ als auch im Optimierungsbereich auf derselben Hardware ausführen können”, sagte sie. “Wir befinden uns noch in kleinem Maßstab, aber das ist ein wichtiger erster Schritt.”

IBM selbst nutzt Photonen, nicht zur Durchführung von Berechnungen, sondern um Informationen schneller zu übertragen. “Wir verwenden Licht, um Daten mit sehr hoher Dichte für KI‑Anwendungen zu senden,” sagte Jean Benoît Héroux, Forschungswissenschaftler bei IBM Research. Sie entwickeln photonische Verbindungen, die Daten zwischen Chips, Speicher und Platinen übertragen.

Investitionen in photonisches Rechnen

Da das Momentum hinter photonischem Rechnen die Aufmerksamkeit großer Technologieunternehmen auf sich zieht im Zuge der Nachfrage nach schnellerer KI‑Rechnung, hat das KI‑Lieblingsunternehmen NVIDIA (NVDA ) ebenfalls Wege erforscht, photonische Interconnects und optische Netzwerke zu integrieren um seine Hardware noch weiter voranzutreiben.

Während NVIDIA die GPU‑getriebene KI‑Revolution anführt, erforscht das Unternehmen die optische Datenübertragung, um die Bandbreitenengpässe zu überwinden, die herkömmliche Chip‑Architekturen begrenzen.

Anfang dieses Jahres hat das Unternehmen eingeführt photonische Switches mit Co‑Packaged‑Optics (CPO), um 10‑fach höhere Netzwerk‑Resilienz, 3,5‑fach bessere Energieeffizienz und 1,3‑fach schnellere Bereitstellungszeit im Vergleich zu traditionellen Netzwerken zu bieten.

Was die Aktienperformance des Chip‑Herstellers angeht, so wurde er diese Woche , das erste Unternehmen, das eine Marktkapitalisierung von 5 Billionen $ erreichte, als sein Aktienkurs über 212 $ stieg und ein neues All‑Time‑High (ATH) erreichte. Derzeit bei 207 $ gehandelt, sind die NVIDIA‑Aktien um mehr als 54 % im Jahresverlauf gestiegen.

Es hat ein EPS (TTM) von 3,51 und ein KGV (TTM) von 58,93. Eine Dividendenrendite von 0,02 % wird an Nvidia‑Aktionäre ausgezahlt.  

Was die finanzielle Lage von Nvidia angeht, hat das Unternehmen gemeldet einen Umsatz von 46,7 Mrd. $ für das zweite Quartal des Geschäftsjahres 2026. Während der Gesamtumsatz um 6 % gegenüber dem Vorquartal stieg, erhöhte sich der Umsatz des Nvidia‑Rechenzentrums um 5 % auf 41,1 Mrd. $, wobei der Umsatz des Blackwell‑Data‑Centers sequenziell um 17 % sprang.

Fazit

Während die KI‑Manie weltweit ausbreitet, arbeiten Forscher und Unternehmen gleichermaßen daran, Elektronen durch Photonen zu ersetzen, um eine neue Welt von Geschwindigkeit, Skalierbarkeit und Energieeffizienz zu erschließen. In diesem Versuch, die KI‑Infrastruktur neu zu definieren, zeigt der jüngste Durchbruch des optischen Motors der Tsinghua‑Universität, dass lichtbasierte Systeme ihre elektronischen Gegenstücke in bestimmten Aufgaben herausfordern oder sogar übertreffen können.

Photonisches Rechnen befindet sich jedoch noch in der Testphase. Sobald photonisches Rechnen ausgereift und kosteneffektiv ist, könnte es eine Ära einläuten, in der das Rechnen mit Lichtgeschwindigkeit erfolgt.

Klicken Sie hier, um zu erfahren, wie ein lichtbetriebenes Chip die KI um das 100‑fache steigert.

Referenzen

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). Hochgeschwindigkeits‑ und niedrige Latenz‑optische Feature‑Extraktions‑Engine basierend auf Diffraktionsoperatoren. Advanced Photonics Nexus, 4(5), 056012. https://doi.org/10.1117/1.APN.4.5.056012
2. Pintus, P., Dumont, M., Shah, V., Murai, T., Shoji, Y., Huang, D., Moody, G., Bowers, J. E., Youngblood, N., et al. (2025). Integrierte nicht‑reziproke magneto‑optische Systeme mit ultra‑hoher Ausdauer für photonisches In‑Memory‑Computing. Nature Photonics, 19, 54–62. https://doi.org/10.1038/s41566-024-01549-1
3. Bandyopadhyay, S., Sludds, A., Krastanov, S., Hamerly, R., Harris, N., Bunandar, D., Streshinsky, M., Hochberg, M., & Englund, D. (2024). Single‑Chip‑photonisches Deep‑Neural‑Network mit rein vorwärtsgerichtetem Training. Nature Photonics, 18, 1335‑1343. https://doi.org/10.1038/s41566-024-01567-z
4. Kalinin, K. P., Gladrow, J., Chu, J., Clegg, J. H., Cletheroe, D., Kelly, D. J., Rahmani, B., Brennan, G., Canakci, B., Falck, F., Hansen, M., Kleewein, J., Kremer, H., O’Shea, G., Pickup, L., Rajmohan, S., Rowstron, A., Ruhle, V., Braine, L., Khedekar, S., Berloff, N. G., Gkantsidis, C., Parmigiani, F., & Ballani, H. (2025). Analoger optischer Computer für KI‑Inference und kombinatorische Optimierung. Nature, 645(8080), 354‑361. https://doi.org/10.1038/s41586-025-09430-z}