Από το Πυρίτιο στο Φως: Το Επόμενο Κύμα Υλισμικού AI

Καθώς η τεχνητή νοημοσύνη (AI) συνεχίζει να γίνεται πιο δημοφιλής και ισχυρή, αυξάνεται και η όρεξή της για ταχύτητα και ενέργεια. Η ανάγκη για ταχύτερα, πιο έξυπνα και πιο αποδοτικά συστήματα οδήγησε τους ερευνητές να εξερευνήσουν μια ριζοσπαστική εναλλακτική: την οπτική υπολογιστική.

Σε αντίθεση με τους παραδοσιακούς επεξεργαστές που χρησιμοποιούν ηλεκτρόνια, η οπτική υπολογιστική χρησιμοποιεί φωτόνια, ή σωματίδια φωτός, για τη μετάδοση και επεξεργασία πληροφοριών. Αυτή η μετάβαση προσφέρει δύο κρίσιμα πλεονεκτήματα.

Πρώτον, τα φωτόνια είναι σημαντικά πιο ενεργειακά αποδοτικά. Παράγουν πολύ λιγότερη θερμότητα από τα ηλεκτρόνια, τα οποία παράγουν τόσο πολύ θερμότητα που περιορίζουν την απόδοσή τους και απαιτούν μεγάλα, ακριβά συστήματα ψύξης σε κέντρα δεδομένων.

Δεύτερον, το φως ταξιδεύει πολύ, πολύ πιο γρήγορα από τα ηλεκτρικά ρεύματα, επιτρέποντας δραματικά ταχύτερες λειτουργίες. Τα οπτικά σήματα μπορούν επίσης να μεταφέρουν περισσότερες πληροφορίες, προσφέροντας ένα απλό μονοπάτι προς πιο καθαρή, ταχύτερη υπολογιστική.

Ως αποτέλεσμα, υπάρχει πλέον αυξανόμενο ενδιαφέρον για τη φωτονική υπολογιστική. Η τεχνολογία δείχνει υποσχόμενα αποτελέσματα σε εργαστηριακές συνθήκες και προσελκύει σημαντικές επενδύσεις από μεγάλες εταιρείες.

Ωστόσο, η μετάφραση αυτής της εργαστηριακής επιτυχίας σε πρακτικές φωτονικές συσκευές αποδείχθηκε αρκετά δύσκολη. Για αυτό, πρέπει πρώτα να ξεπεραστούν αρκετά εμπόδια. Τα φωτόνια δεν αλληλεπιδρούν φυσικά μεταξύ τους, καθιστώντας δύσκολη την κατασκευή των οπτικών λογικών πυλών που είναι θεμελιώδεις για την υπολογιστική. Επιπλέον, η τεχνολογία βρίσκεται ακόμη υπό έρευνα, οπότε δεν διαθέτει την ωριμότητα και τις οικονομίες κλίμακας που έχει η κατασκευή ηλεκτρονικών τσιπ λόγω δεκαετιών εμπορευματοποίησης.

Στη συνέχεια, το κόστος, η ογκομετρία και οι χαμηλοί ρυθμοί διαμόρφωσης περιορίζουν τις περισσότερες υπάρχουσες οπτικές διατάξεις.

Μια νέα μελέτη έκανε ένα σημαντικό βήμα προς την υπέρβαση ορισμένων περιορισμών, αναπτύσσοντας μια νέα οπτική μηχανή, η οποία συνδυάζει ταχύτητα, αποδοτικότητα και συμπαγή σχεδίαση σε ένα τσιπ.

Ερευνητές από το Πανεπιστήμιο Tsinghua ανέπτυξαν ένα επαναστατικό οπτικό σύστημα υπολογισμού που εκτελεί εξαγωγή χαρακτηριστικών με πρωτοφανή χαμηλή λανθάνουσα, η οποία έχει τη δυνατότητα να φέρει επανάσταση στην επεξεργασία AI.

Η χρήση του φωτός αντί της ηλεκτρισμού για την επεξεργασία δεδομένων επιτρέπει στην τεχνολογία να επιταχύνει σημαντικά τον υπολογισμό ενώ ελαχιστοποιεί τη λανθάνουσα, ένα μεγάλο βήμα προς την AI σε πραγματικό χρόνο.

Στον πυρήνα αυτού του νέου συστήματος βρίσκεται ένας ενισχυτής ημιαγωγών (SOA) βασισμένος σε παρεμβολέα Mach‑Zehnder, ή SOA‑MZI.

Ένας SOA είναι μια συμπαγής συσκευή που ενισχύει άμεσα τα φωτεινά σήματα μέσω διεγερμένης εκπομπής. Παράλληλα, το MZI, ένα από τα παλαιότερα οπτικά όργανα, είναι μια βασική συσκευή παρεμβολής κυματοδηγού που αποτελείται από δύο διασυνδέσεις συνδεδεμένες με δύο κυματοδηγούς διαφορετικού μήκους.

Τώρα, η ρύθμιση SOA‑MZI επιτρέπει στο φως να εκτελεί το έργο που υποστηρίζει τη βαθιά μάθηση. Οι πληροφορίες επεξεργάζονται εδώ, και χαρακτηριστικά όπως μοτίβα και άκρες ανιχνεύονται στο φωτεινό σήμα, χωρίς να τα μετατρέπουν ξανά σε ηλεκτρισμό.

Επιπλέον, μια μέθοδος διαίρεσης κατά μήκος κύματος (WDM) χρησιμοποιείται από τη συσκευή. Αυτή η συγκεκριμένη μέθοδος χωρίζει το φως σε ένα φάσμα χρωμάτων, με κάθε χρώμα να μεταφέρει το δικό του ρεύμα δεδομένων. Η αξιοποίηση του WDM επιτρέπει στο τσιπ να εκτελεί πολλές υπολογιστικές πράξεις παράλληλα, αυξάνοντας έτσι τη διαπερατότητα.

Όταν δοκιμάστηκε στο εργαστήριο, η μηχανή επεξεργάστηκε δεδομένα με ταχύτητες έως και 10 gigabits ανά δευτερόλεπτο (Gbps) ανά κανάλι με λανθάνουσα μόλις δεκάδες picoseconds (ps). Για συγκριτικό πλαίσιο, ένα ps ισοδυναμεί με 1 000 femtoseconds ή το ένα χιλιοστό του nanosecond.

Αυτά τα αποτελέσματα δείχνουν ότι η μηχανή είναι πολύ πιο γρήγορη από οποιονδήποτε ηλεκτρονικό επεξεργαστή θα μπορούσε ενδεχομένως να επιτύχει.

Αυτό που σημαίνει αυτή η ταχύτητα είναι ότι το σύστημα μπορεί να επεξεργάζεται πληροφορίες σε πραγματικό χρόνο, καθιστώντας το τέλειο για εφαρμογές όπως υψηλής συχνότητας συναλλαγές, ιατρική απεικόνιση, ρομποτική χειρουργική ή αυτόνομα οχήματα. Αυτές οι εφαρμογές βασίζονται στην ικανότητα της AI να εξάγει βασικά χαρακτηριστικά από ακατέργαστα δεδομένα με ταχύτητα, έτσι ακόμη και χιλιοστά του δευτερολέπτου έχουν μεγάλη σημασία.

Η Επανάσταση: Η Οπτική Μηχανή του Tsinghua και η AI σε Πραγματικό Χρόνο

Ο νόμος του Μουρ λέει ότι ο αριθμός των τρανζίστορ σε ένα μικροτσιπ διπλασιάζεται περίπου κάθε δύο χρόνια. Αυτό οδηγεί σε αύξηση της υπολογιστικής ισχύος, μείωση του κόστους και συνολικά μικρότερες συσκευές.

Αυτή η τάση, η οποία έχει οδηγήσει την καινοτομία στη βιομηχανία ημιαγωγών, φαίνεται τώρα να φτάνει στο τέλος της. Έχοντας μειωθεί σε μεγέθη μόλις λίγων νανομέτρων, τα μεγέθη των τρανζίστορ πλησιάζουν τα φυσικά όρια της τεχνολογίας βασισμένης σε πυρίτιο.

Εκτός από το μικρότερο μέγεθος, που οδηγεί σε διαρροή ηλεκτρονίων και ρεύματα διαρροής που αυξάνουν τη χρήση ενέργειας και τη δημιουργία θερμότητας, το κόστος κατασκευής κορυφαίων μικροτσιπ έχει εκτοξευθεί. Παράλληλα, το ίδιο το πυρίτιο φτάνει στα όρια απόδοσης και κλιμακωσιμότητας.

Αυτός είναι ο λόγος που ερευνητές και εταιρείες έχουν εξερευνήσει εναλλακτικές λύσεις όπως chiplets, system‑in‑package (SiP), μη‑πτητική μνήμη, κβαντική υπολογιστική, βιουπολογική, και, φυσικά, τη φωτονική. 

Μεταξύ αυτών των εναλλακτικών, η φωτονική φαίνεται να προσφέρει ιδιαίτερη υπόσχεση για εφαρμογές AI. Εκμεταλλευόμενοι τη δύναμη του φωτός, η εξαγωγή χαρακτηριστικών, ένα κρίσιμο βήμα στη μηχανική μάθηση, μπορεί να επιταχυνθεί σημαντικά.

Η εξαγωγή χαρακτηριστικών είναι η διαδικασία μετατροπής ακατέργαστων δεδομένων σε ένα απλοποιημένο σύνολο αριθμητικών χαρακτηριστικών που αντιπροσωπεύουν καλύτερα το υποκείμενο πρόβλημα για μοντέλα μηχανικής μάθησης (ML). Αυτή η τεχνική μειώνει την πολυπλοκότητα των δεδομένων για να εξάγει τις πιο σχετικές πληροφορίες, βελτιώνοντας έτσι την απόδοση και την αποδοτικότητα των αλγορίθμων ML.

Ενώ το φως μπορεί να επιταχύνει την εξαγωγή χαρακτηριστικών, η διατήρηση σταθερού, συνεκτικού φωτός για γρήγορες οπτικές υπολογιστικές πράξεις είναι εξαιρετικά δύσκολη. 

Για να το αντιμετωπίσουν, ερευνητές από το Πανεπιστήμιο Tsinghua ανάπτυξαν μια δεύτερης γενιάς μηχανή εξαγωγής οπτικών χαρακτηριστικών (OFE2)¹ που μπορεί να εκτελεί οπτική εξαγωγή χαρακτηριστικών για πολλές πρακτικές εφαρμογές. Το ενσωματωμένο σύστημα στο τσιπ χρησιμοποιεί ρυθμιζόμενους διαχωριστές ισχύος και ακριβείς γραμμές καθυστέρησης για την παροχή σταθερών, παράλληλων οπτικών σημάτων.

Το σύστημα αποσειριοποιεί τη εισερχόμενη ροή δεδομένων, δειγματοληπτώντας το σήμα εισόδου σε πολλαπλά συγχρονισμένα κύματα φωτός που επιτρέπουν παράλληλη, πραγματικού χρόνου επεξεργασία.

Αυτά τα κύματα φωτός περνούν στη συνέχεια μέσω του διαθλαστικού τελεστή, μιας μικροσκοπικής δομής τύπου πλάκας που εκτελεί υπολογισμούς καθώς το φως διαδίδεται μέσα της. Αυτή η λειτουργία αντικατοπτρίζει τον πολλαπλασιασμό πίνακα‑διανύσματος, μια θεμελιώδη λειτουργία AI που χρησιμοποιείται για τη μετασχηματισμό και επεξεργασία δεδομένων.

Ο τρόπος με τον οποίο το διαθλασμένο φως δημιουργεί ένα εστιασμένο «φωτεινό σημείο» στην έξοδο είναι θεμελιώδης για αυτή τη λειτουργία, καθώς μπορεί εν μέρει να αποπροσανατολιστεί προς μια συγκεκριμένη θύρα εξόδου ρυθμίζοντας τη φάση των παράλληλων εισερχόμενων φωτών. Αυτή η μεταβολή στην ισχύ εξόδου, μαζί με τις αντίστοιχες αλλαγές, επιτρέπει στη μηχανή, γνωστή ως OFE2, να καταγράψει χαρακτηριστικά των διακυμάνσεων του σήματος εισόδου με την πάροδο του χρόνου.

Το OFE2 λειτουργεί με ρυθμό 12,5 GHz, ένα ρεκόρ στην οπτική υπολογιστική, και μπορεί να εκτελέσει έναν μοναδικό πολλαπλασιασμό πίνακα‑διανύσματος μέσα σε 250,5 ps, που είναι η χαμηλότερη λανθάνουσα μεταξύ παρόμοιων υλοποιήσεων οπτικής υπολογιστικής.

«Πιστεύουμε ακράδαντα ότι αυτή η εργασία παρέχει ένα σημαντικό ορόσημο για την προώθηση της ενσωματωμένης οπτικής διαθλαστικής υπολογιστικής ώστε να ξεπεράσει το ρυθμό των 10 GHz σε πραγματικές εφαρμογές.»

– Καθηγητής Hongwei Chen, ο οποίος, μαζί με την ομάδα του στο Πανεπιστήμιο Tsinghua, διεξήγαγε αυτή την έρευνα

Η ομάδα απέδειξε τις ισχυρές δυνατότητες του συστήματός τους σε διαφορετικές εργασίες.

Όταν δοκιμάστηκε για μια ψηφιακή εργασία εμπορίας, το OFE2 πέτυχε εντυπωσιακά αποτελέσματα. Ένας έμπορος τροφοδοτεί σε πραγματικό χρόνο σήματα τιμών στο OFE2, και η βέλτιστα διαμορφωμένη μηχανή παράγει σήματα εξόδου που μεταφράζονται άμεσα σε αποφάσεις αγοράς ή πώλησης για την επίτευξη σταθερής κερδοφορίας με ελάχιστη καθυστέρηση, καθώς το σύστημα λειτουργεί με την ταχύτητα του φωτός.

Η ομάδα χρησιμοποίησε επίσης το OFE2 για επεξεργασία εικόνων, όπου η μηχανή εξήγαγε χαρακτηριστικά άκρων από τις εισερχόμενες εικόνες και δημιούργησε δύο συμπληρωματικούς χάρτες χαρακτηριστικών που μοιάζουν με εφέ ανάγλυφου και χάραξης. Τα οπτικά χαρακτηριστικά που παρήγαγε το OFE2 παρουσίασαν πολύ καλύτερη απόδοση στην ταξινόμηση εικόνων και βελτίωσαν την ακρίβεια εικονοστοιχείου σε σημασιολογική τμηματοποίηση, όπως η αναγνώριση οργάνων σε αξονικές τομογραφίες (CT).

Πιο σημαντικό, όταν τα συστήματα AI χρησιμοποιούν το OFE2, χρειάζονται λιγότερες ηλεκτρονικές παραμέτρους, δείχνοντας το δυναμικό της οπτικής προεπεξεργασίας για την ενεργοποίηση ελαφρύτερων, πιο αποδοτικών και λιγότερο ακριβών υβριδικών συστημάτων AI. Η σκληρή δουλειά εκτελείται από την οπτική προεπεξεργασία, ενώ τα μοντέλα AI μπορούν να επικεντρωθούν στην εκμάθηση και την ερμηνεία.

Αυτά τα αποτελέσματα υποδηλώνουν ότι τα πιο έντονα υπολογιστικά φορτία μπορούν να μεταφερθούν από την ηλεκτρονική στην φωτονική, ανοίγοντας το δρόμο για ένα μέλλον AI σε πραγματικό χρόνο.

Σύμφωνα με τους ερευνητές, η συσκευή τους μπορεί να επεξεργαστεί τεράστιες ροές δεδομένων με πολύ μικρή απώλεια ενέργειας, διατηρώντας καλή ακεραιότητα σήματος ακόμη και υπό φορτίο.

«Οι προόδους που παρουσιάζονται στη μελέτη μας προωθούν τους ενσωματωμένους διαθλαστικούς τελεστές σε υψηλότερο ρυθμό, παρέχοντας υποστήριξη για υπηρεσίες υπολογισμού υψηλής έντασης σε τομείς όπως η αναγνώριση εικόνας, η υποβοηθούμενη υγειονομική περίθαλψη και η ψηφιακή χρηματοδότηση», είπε ο Chen. «Ανυπομονούμε να συνεργαστούμε με εταίρους που έχουν ανάγκες υπολογισμού μεγάλης έντασης δεδομένων.»

Κάντε κλικ εδώ για να μάθετε πώς η υπολογιστική με την ταχύτητα του φωτός γίνεται εφικτή με τη φωτονική πυρίτιο.

Η Παγκόσμια Αγώνας για την Επανεφεύρεση της Υπολογιστικής με Φωτονική 

Swipe to scroll →

Η πρόοδος από το Tsinghua αποτελεί μέρος μιας μεγαλύτερης παγκόσμιας μεταβολής. Επιστήμονες σε όλο τον κόσμο αγωνίζονται να ξεπεράσουν τα ηλεκτρονικά εμπόδια στραφώντας στο φως.

Στην αρχή του έτους, μια άλλη ομάδα από την Κίνα αποκάλυψε το τσιπ της, το οποίο χρησιμοποιεί φως για να συγχρονίσει τους επεξεργαστές και θα μπορούσε να ανοίξει το δρόμο για επικοινωνίες επόμενης γενιάς και υψηλής ταχύτητας υπολογισμούς AI.

Τα παραδοσιακά τσιπ δημιουργούν σήματα ρολογιού χρησιμοποιώντας ηλεκτρονικούς ταλαντωτές, και συχνά λειτουργούν μόνο σε μία κύρια ταχύτητα ρολογιού, πράγμα που σημαίνει ότι διαφορετικές εφαρμογές απαιτούν διαφορετικές τεχνολογίες κατασκευής τσιπ. Το νέο τσιπ σχεδιασμένο από την διεθνή ομάδα επιστημόνων υπό την ηγεσία του Πανεπιστημίου Peking της Κίνας χρησιμοποιεί «το φως ως μέσο για τη δημιουργία σημάτων ρολογιού μέσω των φωτονίων».

Έχουν αναπτύξει ένα «μικροσυνδυασμό ενσωματωμένο στο τσιπ» που μπορεί να συνθέσει μονοσυχνικά και ευρυζωνικά σήματα και να παρέχει ρολόγια αναφοράς για τα ηλεκτρονικά του συστήματος.

«Δημιουργώντας ένα δακτύλιο που μοιάζει με πίστα αγώνων στο τσιπ, το φως μπορεί συνεχώς να «τρέχει» με την ταχύτητα του φωτός. Ο χρόνος κάθε γύρου χρησιμοποιείται ως πρότυπο του ρολογιού ενσωματωμένου στο τσιπ», δήλωσε ο κύριος συγγραφέας Chang Lin, ο οποίος είναι βοηθός καθηγητής στο Ινστιτούτο Πληροφορικής και Επικοινωνιακής Τεχνολογίας του Πανεπιστημίου Peking. «Επειδή ένας γύρος διαρκεί μερικά δισεκατομμυριοστά του δευτερολέπτου, το ρολόι μπορεί να ρυθμίζει τον χρόνο με υπερυψηλή ταχύτητα.»

Με τον νέο τεχνολογικό εξοπλισμό, τα τσιπ μπορούν να καλύψουν διάφορες ζώνες μικροκυμάτων.

Η ομάδα πέτυχε ταχύτητα ρολογιού πάνω από 100 GHz και δήλωσε ότι μπορεί να παράγει χιλιάδες πανομοιότυπα τσιπ σε δίσκους 8 ιντσών, ενώ επιλύει προβλήματα σταθερότητας και βελτιστοποιεί τις διαδικασίες συσκευασίας.

Μια άλλη διεθνής ομάδα ερευνητών αντιμετωπίσουν τους περιορισμούς του νόμου του Μουρ² μέσω της φωτονικής, αλλά χρησιμοποίησαν ένα μαγνητο‑οπτικό υλικό. Το υλικό είναι γαρίτης σιδήρου‑υτρίου (YIG) υποκατεστημένος με σερήμιο, των οποίων οι οπτικές ιδιότητες αλλάζουν δυναμικά ως αντίδραση σε εξωτερικά μαγνητικά πεδία.

Χρησιμοποιώντας μικροσκοπικούς μαγνήτες για την αποθήκευση δεδομένων και τον έλεγχο της μετάδοσης του φωτός μέσα στο υλικό, οι ερευνητές πρωτοπόρησαν έναν νέο τύπο μαγνητο‑οπτικής μνήμης.

Αυτή η νέα κατηγορία μνήμης, σύμφωνα με τη μελέτη, έχει ταχύτητες εναλλαγής 100 φορές γρηγορότερες από αυτές της προηγμένης ενσωματωμένης φωτονικής τεχνολογίας, καταναλώνει περίπου το ένα δέκατο της ενέργειας και μπορεί να επαναπρογραμματιστεί πάνω από 2,3 δισεκατομμύρια φορές, ενδεχομένως σημαίνοντας απεριόριστη διάρκεια ζωής.

Στο μεταξύ, στις ΗΠΑ, επιστήμονες από το MIT επίδειξαν³ έναν φωτονικό επεξεργαστή που μπορεί να εκτελεί όλες τις υπολογιστικές εργασίες AI οπτικά στο τσιπ. Η οπτική τους συσκευή ολοκλήρωσε τις βασικές υπολογιστικές εργασίες για μια ταξινόμηση ML σε λιγότερο από μισό νανοδευτερόλεπτο με 92% ακρίβεια.

Στην εργασία τους, οι επιστήμονες σχεδίασαν μη‑γραμμικές οπτικές λειτουργικές μονάδες (NOFUs) για να αντιμετωπίσουν την πρόκληση της μη‑γραμμικότητας στην οπτική, η οποία οφείλεται στο γεγονός ότι τα φωτόνια δεν αλληλεπιδρούν εύκολα μεταξύ τους, καθιστώντας ενεργειακά απαιτητική την ενεργοποίηση οπτικών μη‑γραμμικοτήτων. Τα NOFUs συνδυάζουν οπτική και ηλεκτρονική για την ενσωμάτωση μη‑γραμμικών λειτουργιών στο τσιπ.

Ενώ τα πανεπιστήμια επιδεικνύουν τα αποδεικτικά τους οπτικά τσιπ, οι μεγάλες τεχνολογικές εταιρείες δεν είναι πολύ μακριά· εξερευνούν ενεργά πώς αυτές οι αρχές μπορούν να κάνουν τα εμπορικά συστήματα AI πιο γρήγορα και πιο πράσινα.

παρουσίασαν έναν υπολογιστή βασισμένο στο φως⁴, ο οποίος χρησιμοποιεί αισθητήρες κάμερας και μικρο‑LEDs, για να κάνουν την AI εκατό φορές πιο αποδοτική. Ο πρωτότυπος αναλογικός οπτικός υπολογιστής (AOC) από τον τεχνολογικό γίγαντα υπολογίζει ένα πρόβλημα πολλές φορές, και κάθε φορά βελτιώνεται μέχρι να επιτευχθεί μια «σταθερή κατάσταση».

«Το πιο σημαντικό χαρακτηριστικό που προσφέρει το AOC είναι ότι εκτιμούμε περίπου εκατό φορές βελτίωση στην ενεργειακή αποδοτικότητα», δήλωσε ο συν‑συγγραφέας της μελέτης Jannes Gladrow, ερευνητής AI στη Microsoft, στην ανάρτηση του εταιρικού blog. «Αυτό από μόνο του είναι άτοπο στο υλισμικό.»

Ταυτόχρονα, η ομάδα προγραμμάτισε ένα «ψηφιακό δίδυμο», ένα μοντέλο που μιμείται τους υπολογισμούς του φυσικού AOC και μπορεί να κλιμακωθεί για να χειριστεί περισσότερες μεταβλητές και ακόμη πιο σύνθετους υπολογισμούς. Το μοντέλο επιτρέπει στην ομάδα να «εργαστεί σε μεγαλύτερα προβλήματα από ό,τι το όργανο μπορεί να αντιμετωπίσει αυτή τη στιγμή», σημείωσε ο Michael Hansen, ανώτερος διευθυντής βιοϊατρικής επεξεργασίας σήματος στη Microsoft Health Futures.

Ο υπολογιστής μπορεί ήδη να χειριστεί κάποιες εργασίες όπως επανακατασκευή εικόνων MRI, αντιστοίχιση χρηματοοικονομικών συναλλαγών και απλή AI επαγωγή.

Για να δοκιμάσουν το AOC, η ομάδα του έδωσε πρώτα την απλή εργασία ταξινόμησης εικόνων, και το φυσικό AOC πέτυχε περίπου το ίδιο επίπεδο με έναν ψηφιακό υπολογιστή. Το ψηφιακό του δίδυμο χρησιμοποιήθηκε στη συνέχεια για την ανακατασκευή μιας εικόνας εγκεφαλικού σκαναρίσματος χρησιμοποιώντας μόνο το 62,5% των αρχικών δεδομένων, και το έκανε με ακρίβεια. Αυτό το επίτευγμα, πιστεύουν οι επιστήμονες, μπορεί να οδηγήσει σε συντομότερο χρόνο MRI.

Το AOC χρησιμοποιήθηκε επίσης για την επίλυση οικονομικών προβλημάτων, με υψηλότερο ποσοστό επιτυχίας από τα τρέχοντα κβαντικά υπολογιστές.

συνέντευξη με την IBM, η Francesca Parmigiani, κύρια ερευνήτρια στη Microsoft Research Cambridge, δήλωσε ότι το σύστημά τους διαθέτει «δυο‑τομεακή ικανότητα», που σημαίνει ότι μπορεί να εκτελεί δύο είδους εργασίες χρησιμοποιώντας το ίδιο υλικό. Αυτό γίνεται με βάση την αναζήτηση σταθερού σημείου, η οποία συνδέει τον τρόπο με τον οποίο λύνται και τα δύο προβλήματα.

«Αυτό που με ενθουσιάζει περισσότερο είναι ότι μπορούμε ήδη να τρέχουμε φορτία εργασίας τόσο στην AI όσο και στη βελτιστοποίηση στο ίδιο υλικό», είπε. «Είμαστε ακόμα σε μικρή κλίμακα, αλλά αυτό είναι ένα σημαντικό πρώτο βήμα.»

Η IBM χρησιμοποιεί φωτόνια, όχι για να εκτελεί υπολογισμούς, αλλά για να μεταφέρει πληροφορίες πιο γρήγορα. «Χρησιμοποιούμε το φως για να στέλνουμε δεδομένα με πολύ υψηλή πυκνότητα για εφαρμογές AI», είπε ο Jean Benoît Héroux, ερευνητής στο IBM Research. Αναπτύσσουν φωτονικούς συνδέσμους που μεταφέρουν δεδομένα μεταξύ τσιπ, μνήμης και πλακετών.

Επένδυση στην Φωτονική Υπολογιστική 

Καθώς η δυναμική πίσω από τη φωτονική υπολογιστική κερδίζει την προσοχή των μεγάλων τεχνολογικών παικτών εν μέσω της ζήτησης για ταχύτερους υπολογισμούς AI, η αγαπημένη της AI NVIDIA (NVDA ) επίσης εξερευνά τρόπους ενσωμάτωσης φωτονικών διασυνδέσεων και οπτικής δικτύωσης προκειμένου να προωθήσει το υλισμικό της ακόμη πιο μακριά.

Καθώς ηγείται της επανάστασης AI με GPU, η NVIDIA ερευνά την οπτική μετάδοση δεδομένων για να ξεπεράσει τα στενά λωρίδες που περιορίζουν τις παραδοσιακές αρχιτεκτονικές τσιπ.

Στην αρχή του έτους, η εταιρεία έκανε λανσάρισμα φωτονικών διακοπτών με ενσωματωμένα οπτικά (CPO) για να παρέχει 10× υψηλότερη ανθεκτικότητα δικτύου, 3,5× καλύτερη ενεργειακή αποδοτικότητα και 1,3× ταχύτερο χρόνο υλοποίησης σε σύγκριση με τα παραδοσιακά δίκτυα.

Όσον αφορά την απόδοση των μετοχών του κατασκευαστή τσιπ, αυτή την εβδομάδα, έγινε η πρώτη εταιρεία που έφτασε σε αξία αγοράς 5 τρισεκατομμυρίων δολαρίων καθώς η τιμή της μετοχής ανέβηκε πάνω από 212 δολάρια, φθάνοντας σε νέο ιστορικό υψηλό (ATH). Αυτή τη στιγμή, η μετοχή της NVIDIA διαπραγματεύεται στα 207 δολάρια, με άνοδο πάνω από 54% ετησίως.

Έχει EPS (TTM) 3,51 και P/E (TTM) 58,93. Ένα μερίσματος 0,02% καταβάλλεται στους μετόχους της Nvidia.  

Όσον αφορά τη χρηματοοικονομική θέση της Nvidia, η εταιρεία ανακοίνωσε έσοδα 46,7 δισεκατομμυρίων δολαρίων για το δεύτερο τρίμηνο του οικονομικού 2026. Ενώ τα συνολικά έσοδα αυξήθηκαν 6% σε σχέση με το προηγούμενο τρίμηνο, τα έσοδα του κέντρου δεδομένων της Nvidia αυξήθηκαν 5% στα 41,1 δισεκατομμύρια δολάρια, με τα έσοδα του Data Center Blackwell να αυξηθούν 17% διαδοχικά.

Συμπέρασμα

Καθώς η μανία για AI εξαπλώνεται σε όλο τον κόσμο, ερευνητές και εταιρείες εργάζονται για την αντικατάσταση των ηλεκτρονίων με φωτόνια ώστε να ξεκλειδώσουν έναν νέο κόσμο ταχύτητας, κλιμακωσιμότητας και ενεργειακής αποδοτικότητας. Σε αυτή την προσπάθεια να επαναπροσδιορίσουν την υποδομή AI, η πρόσφατη επανάσταση από την οπτική μηχανή του Πανεπιστημίου Tsinghua δείχνει ότι τα συστήματα βασισμένα στο φως μπορούν να ανταγωνιστούν ή ακόμη και να ξεπεράσουν τα ηλεκτρονικά τους ομότιμα σε συγκεκριμένες εργασίες.

Ωστόσο, η φωτονική υπολογιστική βρίσκεται ακόμη στη φάση δοκιμών. Μόλις η φωτονική υπολογιστική ωριμάσει και γίνει οικονομικά αποδοτική, μπορεί να σηματοδοτήσει μια εποχή όπου η υπολογιστική κινείται με την ταχύτητα του φωτός.

Κάντε κλικ εδώ για να μάθετε πώς ένα τσιπ που τροφοδοτείται από φως ενισχύει την AI κατά 100×.

Παραπομπές

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). High-speed and low-latency optical feature extraction engine based on diffraction operators. 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). Integrated non-reciprocal magneto-optics with ultra-high endurance for photonic 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 photonic deep neural network with forward-only 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). Analog optical computer for AI inference and combinatorial optimization. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z}