Künstliche Intelligenz
KI-Training mit Glasfaser: Ein lichtbasierter Sprung
Securities.io hält strenge redaktionelle Standards ein und erhält möglicherweise eine Vergütung für geprüfte Links. Wir sind kein registrierter Anlageberater und dies stellt keine Anlageberatung dar. Bitte beachten Sie unsere Affiliate-Offenlegung.
Warum Glasfaser in der KI-Computertechnik Strom ersetzen könnte
Seit den Anfängen von ComputingFast alle Computer – von antiken Vakuumröhren bis hin zu modernen Siliziumchips im Nanometerbereich – basieren auf Berechnungen, die auf die eine oder andere Weise Elektrizität verwenden.
Da Siliziumchips immer kleiner werden, suchen Forscher nach neuen Wegen, Computer zu bauen, die unsere Kapazität über Siliziumchips hinaus steigern könnten, ein Thema, das wir in „Top 10 der Nicht-Silizium-Computerunternehmen".
Zu diesen Methoden gehört die Verwendung unterschiedlicher Materialien wie beispielsweise Karbid, Vanadiumdioxid, organische Materialien oder Graphen. Eine weitere Möglichkeit besteht darin, die Art und Weise des Rechnens zu verändern und sich von der binären Programmierung strombasierter Computer abzuwenden, zu denen auch Quantencomputer und Photonik gehören.
Die Photonik nutzt Licht anstelle von Elektrizität zur Kodierung und Übertragung von Informationen. Bisher wurde diese jedoch immer noch in ein Binärsignal umgewandelt, sodass eine rein lichtbasierte Berechnungsform nicht möglich war.
Dies hat sich mit der Arbeit von Forschern der Universität Tampere (Finnland) und der Université Marie et Louis Pasteur (Besançon, Frankreich) geändert. Sie nutzten Glasfasern für ultraschnelle Berechnungen und veröffentlichten ihre Ergebnisse in der Fachzeitschrift Optics Letters.1, unter dem Titel "Grenzen der nichtlinearen und dispersiven Faserausbreitung für eine auf optischen Fasern basierende Extreme-Learning-Maschine".
Einschränkungen des traditionellen KI-Trainings mit elektronischen Systemen
Das Training und die Datenverarbeitung von KI stoßen hinsichtlich ihrer Effizienz an ihre Grenzen, da die KI-Berechnungen zunehmend durch den Energieverbrauch und die Geschwindigkeit der Datenverarbeitung eingeschränkt werden.
Lichtbasierte Berechnungen hingegen könnten tausendmal schneller sein und Daten in winzige Energieunterschiede kodieren, was sie effizienter macht. Das Problem ist, dass bisher keine direkte Berechnung mit Licht durchgeführt wurde.
Bei ihrer Arbeit verwendeten die Forscher eine bestimmte Klasse von Computerarchitekturen, die als Extreme Learning Machine (ELM) bekannt ist, ein von neuronalen Netzwerken inspirierter Ansatz.
Zu den Vorteilen von ELMs gehört unter anderem, dass sie in einem Schritt aus den Trainingsdaten lernen können und dass es sich um einen relativ einfachen Algorithmus handelt.
In der Regel ist ELM für sehr komplexe Aufgaben, die ein mehrstufiges KI-Training erfordern, nicht geeignet, kann jedoch bei bestimmten Aufgaben, wie beispielsweise der visuellen Erkennung, sehr gute und effizientere Ergebnisse erzielen.
Wie Forscher Bilder mithilfe von Glasfasern kodierten
Die Forscher verwendeten Femtosekunden-Laserpulse (eine Milliarde Mal kürzer als ein Kamerablitz) und eine Glasfaser, die das Licht auf eine Fläche beschränkt, die kleiner ist als ein Bruchteil eines menschlichen Haares, um ein optisches ELM-System zu bauen.
Die Laserpulse sind kurz genug, um eine große Anzahl unterschiedlicher Wellenlängen oder Farben zu enthalten, wodurch ein umfangreicher Datensatz entsteht.
Anschließend schickten sie diese Daten mit einer relativen Verzögerung entsprechend einem Bild kodiert in die Faser.
Quelle: Tampere Universität
Die Rolle der nichtlinearen Optik in der KI-Verarbeitung
Diese Form der Datenkodierung wurde durch die nichtlineare Wechselwirkung von Licht und Glas transformiert.
Lineare Optik ist die klassische Optik, die in der Schule gelehrt wird, wobei das Licht beispielsweise direkt mit einem Prisma interagiert.
In der nichtlinearen Optik hängt die Reaktion des Mediums, durch das das Licht hindurchtritt, von der Wellenlänge, Intensität, Richtung und Polarisation des Lichts ab.
Nichtlineare optische Komponenten können dazu führen, dass Photonen unterschiedlicher Frequenzen kombiniert werden und neue Photonen mit neuen Frequenzen entstehen.
„Anstatt herkömmliche Elektronik und Algorithmen zu verwenden, wird bei der Berechnung die nichtlineare Wechselwirkung zwischen intensiven Lichtimpulsen und dem Glas ausgenutzt.“
Durch nichtlineare Interaktion und den Algorithmus der Extreme Learning Machine (ELM) konnte eine KI trainiert werden, handgeschriebene Ziffern (wie sie in der beliebten MNIST-KI-Benchmark).
Quelle: Optikbuchstaben
Die besten Systeme erreichten eine Genauigkeit von über 91 %, was nahe an den modernsten digitalen Methoden liegt.
Das Außergewöhnliche an diesem Ergebnis ist, dass es in weniger als einer Pikosekunde oder einer Billionstel Sekunde (0.000000000001 Sekunden) erreicht wurde.
Ideale Optimierung
Die besten Ergebnisse wurden nicht auf der maximalen Ebene nichtlinearer Interaktion oder Komplexität erzielt.
Stattdessen war ein empfindliches Gleichgewicht zwischen Faserlänge, Dispersion (Unterschied in der Ausbreitungsgeschwindigkeit zwischen verschiedenen Wellenlängen) und Leistungspegeln erforderlich.
„Bei der Leistung geht es nicht einfach darum, mehr Leistung durch die Faser zu leiten. Sie hängt davon ab, wie präzise das Licht ursprünglich strukturiert ist, also wie die Informationen kodiert werden und wie sie mit den Fasereigenschaften interagieren.“
Sind Glasfasercomputer die Zukunft der KI?
Das Training von KIs ausschließlich mit Licht stellt eine radikale Abkehr von allen bisher verwendeten Methoden dar. Diese Methode ist wahrscheinlich nicht für alle Datentypen anwendbar, könnte aber bei den anwendbaren Daten zu 1,000-mal energieeffizienteren und bis zu einer Million Mal schnelleren Ergebnissen führen.
„Unsere Modelle zeigen, wie Dispersion, Nichtlinearität und sogar Quantenrauschen die Leistung beeinflussen, und liefern wichtige Erkenntnisse für die Entwicklung der nächsten Generation hybrider optisch-elektronischer KI-Systeme.“
Ein solcher Ansatz würde höchstwahrscheinlich bedeuten, dass einige KI-Berechnungen an eine speziell für diese Aufgabe entwickelte nichtlineare Glasfaser-Hardware delegiert würden. Daher wären repetitive Aufgaben wie die visuelle Identifikation besser geeignet als die Verarbeitung neuer Daten.
„Diese Arbeit zeigt, wie Grundlagenforschung in der nichtlinearen Glasfaseroptik neue Ansätze in der Datenverarbeitung vorantreiben kann. Durch die Verschmelzung von Physik und maschinellem Lernen eröffnen wir neue Wege hin zu ultraschneller und energieeffizienter KI-Hardware.“
Die potenziellen Anwendungen reichen von der Echtzeit-Signalverarbeitung über die Umweltüberwachung bis hin zur Hochgeschwindigkeits-KI-Inferenz.
Allerdings befinden sich derartige Arbeiten noch in der Phase der Demonstration grundlegender Prinzipien der Technik und sind noch weit von einer Kommerzialisierung entfernt.
Es zeigt jedoch, dass die Photonik in Zukunft wahrscheinlich ein immer wichtigerer Teil der Computerbranche sein wird, da Licht aus grundlegenden physikalischen Gründen für einige Computeranwendungen der Elektrizität überlegen sein kann.
Führendes börsennotiertes Laser- und Photonikunternehmen
Kohärent (II-VI Marlow): Ein führendes Unternehmen im Bereich Laserinnovation
(COHR )
Coherent ist ein großer Industriekonzern mit über 26,000 Mitarbeitern und führend in der Lasertechnologie. Das Unternehmen entstand aus der Fusion von Advanced Material II-VI Marlow mit dem Laserhersteller Coherent.
Das Unternehmen ist Experte für hochentwickelte Materialien für die Anwendung in Lasern, der Optik und der Photonik, wie etwa Indiumphosphid, epitaktische Wafer und Galliumarsenid.
Das Wachstum ist größtenteils auf zahlreiche Übernahmen im letzten Jahrzehnt zurückzuführen, von 600 Millionen US-Dollar Umsatz im Jahr 2013 auf 4.7 Milliarden US-Dollar im Jahr 2024.
Das Unternehmen erwirtschaftet 29 % seines Umsatzes direkt mit Lasern, der Rest mit zugehöriger Ausrüstung wie Glasfasern und Elektronik. Die Kategorie Instrumentierung umfasst hauptsächlich Lebens
Naturwissenschaften und medizinische Anwendungen.
Quelle: Kohärent
Die Präsenz des Unternehmens in fortschrittlichen Materialien wie Thermophotovoltaik (die Wir haben in einem früheren Artikel), Siliziumkarbid, Laser und Elektronik hilft dem Unternehmen, von strukturellen Trends wie dem Wachstum der Präzisionsfertigung, der additiven Fertigung (3D-Druck), der Elektrifizierung und der erneuerbaren Energien zu profitieren.
Die Firma hat hat vor kurzem sein Siliziumkarbidgeschäft in eine neue Einheit ausgegliedert, die zu 75 % im Besitz von Coherent ist, der Rest gehört zu gleichen Teilen den Partnern Mitsubishi Electric (bringt geistiges Eigentum im Bereich Siliziumkarbid-Leistung ein) und Denso (bringt seine Aktivitäten als Automobilzulieferer im Bereich Elektrifizierung und Leistungshalbleiter ein).
Dies liegt daran, dass Siliziumkarbid zunehmend eine eigene Technologie darstellt, die hauptsächlich in Hochleistungsanwendungen wie Elektrofahrzeugen, Batterien und erneuerbarer Energie eingesetzt wird.
Coherent ist führend in LIDAR und 3D-Digitalsensorik, auch für autonome Fahranwendungen, Biotechnologie Durchflusszellen für die Sequenzierung der nächsten Generation (NGS) und Laser für die HalbleiterfertigungDas Unternehmen erwartet für seine Hauptmärkte ein Wachstum von 8 bis 20 %.
Quelle: Kohärent
Auch die anderen potenziellen neuen Anwendungen von Lasern, wie etwa Energiewaffen, Photonik-Computer, Kernfusion und Weltraumtechnologie, könnten gleichermaßen zum langfristigen Wachstum des Unternehmens beitragen.
Insgesamt kommt Coherent für an diesem Sektor interessierte Anleger einem reinen, börsennotierten Laserunternehmen mit starker vertikaler Integration und über 3,100 Patenten zum Schutz seiner Innovationen am nächsten.
Mit der Weiterentwicklung der Photonik wird auch die Nachfrage nach ultraschnellen und ultrapräzisen Lasersystemen sowie nach Lasern für die optische Telekommunikation stetig steigen.
Aktuelle Nachrichten und Entwicklungen zur Coherent (COHR)-Aktie
Zitierte Studie
1. Andrei V. Ermolaev, Mathilde HaryEt al. Grenzen der nichtlinearen und dispersiven Faserausbreitung für eine auf optischen Fasern basierende Extreme-Learning-Maschine. Optikbriefe. Jg. 50, Heft 13, S. 4166-4169 (2025) https://doi.org/10.1364/OL.562186
