Voiko fotoniikka pitää Moore’n lain elossa?

Moore’n laki määrää, että integroituun piiriin sisältyvien transistorien määrä kasvaa noin kahden vuoden välein, samoin kuin tietokoneiden teho. Tämä periaate on ollut pitkälti oikea vuodesta 1965 lähtien. Kuitenkin voidaan olettaa, että Gordon E. Moore, Intelin perustajajäsen, ei koskaan ottanut huomioon, että sirut saavuttaisivat miniaturisaatiorajansa, mikä aiheuttaisi laskentatehon viivästymisen.

Onneksi Kalifornian yliopiston insinööritiimi on kehittänyt uuden menetelmän, joka hyödyntää fotoniikkaa tarjotakseen enemmän laskentatehoa ilman koon uhraamista. Tässä mitä sinun tarvitsee tietää.

Shrink’em

Maailma on pyrkinyt pienentämään tietokoneita niiden keksimisestä lähtien. Jotkut isovanhemmistasi saattavat jopa muistaa, kun tietokoneet vaativat kokonaisen huoneen ja monia ihmisiä käyttöön. Tänään älykellosi tarjoaa enemmän laskentatehoa kuin nämä jättiläiset, ja se on vasta jäävuoren huippu mikrolaskennan osalta. Matka kokonaisesta huoneesta nykypäivän mikroelektroniikkaan on ollut jännittävä, täynnä kokeiluja, löytöjä ja joskus epäonnistumisia.

Physical and Cost Limitations

Huomattavaa on, että on piste, jossa tällaisten mikroskooppisten komponenttien valmistus on kustannuksiltaan kiellettyä. Useimpien tutkijoiden mukaan markkinat ovat saavuttaneet tämän pisteen. Lisäksi laskennalliset hyödyt eivät ole Moore’n lain mukaisia, sillä pienemmät sirut eivät pysty tarjoamaan laskentatehoa, joka olisi suhteessa suurempiin vastineisiinsa.

Tämän seurauksena syntyy kasvava kuilu saatavilla olevan laskentatehon ja tarvittavan välillä, mikä saa joitakin tunnettuja markkinatoimijoita, kuten Nvidia (NVDA ):n toimitusjohtajan Jensen Huangin, väittämään, että Moore’n laki on kuollut ja luettelemaan sovelluskohtaisia prosessoreita tulevaisuutena.

Demand for High-Powered Computers

Tekoälyn ja koneoppimisjärjestelmien äkillinen kasvu on lisännyt voimakkaan laskennan ja pilvialustojen kysyntää. Nämä vaatimukset ovat ylittäneet sirujen suunnittelun suorituskyvyn, luoden pullonkaulan AI-kehityksen sektorilla, mikä rajoittaa innovaatiota. Nyt kilpailu on käynnissä ratkaisun löytämiseksi, joka pystyy vastaamaan tämän päivän korkean suorituskyvyn tietokoneiden ja AI-järjestelmien vaatimuksiin.

Computing Power Solutions

Jotkut analyytikot uskovat, että yksi ratkaisu on luoda erikoissiruja, joissa logiikka ja prosessointi ovat samassa sirussa. Tämä lähestymistapa auttaa vähentämään latenssia ja energian käyttöä sekä parantaa suorituskykyä. Kuitenkin laskennalliset rajoitukset tekevät siitä edelleen epäihanteellisen, kun puhutaan massiivisista AI-datan vaatimuksista.

Memory Computing

Toinen ratkaisu, joka innostaa tutkijoita, on muistilaskenta. Tämä tallennusmenetelmä hyödyntää nopeaa RAM-muistia kiertävän kiintolevyn sijaan. Erityisesti RAM-muistia verkossa olevista tietokoneista asetetaan middleware-ohjelmiston avulla toimimaan rinnakkain. Tämä tallennusmenetelmä on 5000‑kertainen perinteisiä menetelmiä nopeampi, mutta se ei silti pysy Moore’n lain tahdissa.

Photonics

Fotoniikka on toinen korkean suorituskyvyn laskentamenetelmä, joka kiinnostaa tutkijoita. Fotoniikka toimii havaitsemalla valoaaltot elektronien avulla. Tiede pyörii valon tuottamisen ja hallinnan ympärillä, kun se kulkee ohjelmoitavien optisten painojen matriisin läpi.

Nämä painot sisältävät kaksiulotteisen ei‑kestoisen optisten modulaattorien taulukon, jonka avulla voidaan suorittaa lineaarinen muunnos optisten syötteiden vektorille. Tämä strategia tarjoaa nopeammat kytkentänopeudet kuin RAM-laskentamenetelmät.

Current Limitations to Photonics

Joitakin fotoniikan haittoja laskennassa ovat se, että nykyisiä järjestelmiä voidaan kirjoittaa uudelleen vain noin 1000‑kertaisesti. Tämä rajoitettu elinkaari tekee niistä kalliita vaihtoehtoja. Lisäksi optisilla painoilla on alhainen tallennustiheys ja ohjelmointi on hitaampaa kuin perinteisillä siruilla.

Fotoniikkalaskentajärjestelmiä on monenlaisia muotoja ja suunnitelmia. Kuitenkin nämä järjestelmät vaativat erikoistuneita valmistusprosesseja, jotka ovat paljon kalliimpia kuin niiden vastineet. Kustannusrajoituksista huolimatta monet tutkijat uskovat, että fotoniikka on tulevaisuuden laskentaa ja että Wrightin laki on avain sen toteuttamiseen.

Wright’s Law

Myös Wrightin laki on olemassa, ja se jatkaa rooliaan puolijohteiden kehittämisessä. Tämä laki on valmistusperiaate, jonka esitteli ilmailuinsinööri Theodore Paul Wright. Työskennellessään lentokonetehdaslaitoksessa hän huomasi, että työvoiman tarve väheni 15 % valmistusprosessien parantuessa, vaikka tuotantomäärät kasvoivat.

Nämä kustannussäästöt johtuvat parannetuista prosesseista, teknologiasta, palautusjärjestelmistä ja muista tuotannon aikana tehdyistä päivityksistä. Tästä syystä monet analyytikot uskovat, että Wrightin laki auttaa tekemään fotoniikasta tulevaisuudessa helpommin saatavan ja vähemmän kalliimman vaihtoehdon.

Voit nähdä Wrightin lain jo vaikuttavan AI-sektorilla. Muutama vuosi sitten olisi ollut mahdotonta tavalliselle ihmiselle päästä käsiksi AI-järjestelmään tai käyttää sitä. AI-mallien luominen, hallinta ja päivittäminen oli liian kallista. Lisäksi kukaan ei ollut luonut luotettavaa tapaa, jolla AI voisi olla vuorovaikutuksessa ihmisten kanssa.

Kuitenkin ohjelmien kuten ChatGPT:n tultua markkinoille kuka tahansa voi nyt hyödyntää näitä voimakkaita työkaluja parantaakseen tehokkuuttaan ja luovuuttaan. Nämä järjestelmät integroivat suuria kielimalleja, jotka tekevät niiden käytöstä helppoa yksinkertaisilla chat-komentoilla. Tämä kehitys nosti AI:n käyttöönoton kattoon, mikä johti nykyisiin laskentatehon puutteisiin.

Photonics Study

Tutkimus “Integrated non-reciprocal magneto-optics with ultra-high endurance for photonic in-memory computing”¹ julkaistu Nature Photonics -lehdessä paljastaa uuden optisen laskennan menetelmän, joka voisi mullistaa markkinat. Tutkimus syventyy optisten painojen koodaukseen in-memory fotoniikkalaskennassa.

Lähde – Nature

Tutkijat valitsivat magneto‑optiset muistisolut ja resonanssipohjaisen fotoniikkarakenteen saavuttaakseen laskennalliset tavoitteensa. Strategia perustuu ei‑käänteiseen vaiheensiirtoon magneto‑optisissa materiaaleissa fotoniikan in-memory -laskennan toteuttamiseksi.

Uusi matemaattinen malli mahdollisti tiimin testata magneto‑optisia materiaaleja. He havaitsivat, että ceria-sijoitettu ittriumrauta‑garnetti (YIG) mahdollisti ulkoisen magneettikentän hyödyntämisen valon etenemisen hallintaan. Tätä hallittua valoa voitiin sitten käyttää laskentaan.

Tutkimus osoitti, miten pienet magneetit voivat tallentaa dataa tehokkaasti ja hakea sen salamannopeasti.

Magneettien koodausprosessi toimii asettamalla yksikön magneettisen domainin vahvuus. Laitteen toimimiseksi elektroniset signaalit on muunnettava optiseen alueeseen elektro‑optisten (E/O) modulaattorien avulla ohjelmointia ja tallennusta varten. Sieltä tasapainotetut valodetektorit (BPD:t) muuntavat differentiaalisen optisen signaalin takaisin sähköiseksi signaaliksi, jotta CMOS‑logiikka voi käsitellä sen SRAM:n kanssa.

Photonics Test

Testatakseen ei‑kestoista magneto‑optista muistisolua tutkijat asettivat erilaisia lähestymistapoja. He aloittivat 2‑bittisellä sähkösyötteellä, jonka avulla he saavuttivat kaksi positiivista ja kaksi negatiivista optista painoa. Tämän jälkeen magneettikenttää manipuloitiin muutosten seuraamiseksi.

Cerium-substituted Yttrium Iron Garnet (YIG),

500 nm paksu yksikiteinen YIG kasvatettiin laboratoriossa radiotaajuus‑sputtausmenetelmällä 750 °C lämpötilassa testausvaiheessa. Erityisesti tiimi päätti käyttää waferia, jonka rengasradiaani on 35 µm. Lisäksi 10 nm ohut piidioksidikerros integroidtiin erottamaan piikerros Ce: YIG -kerroksesta.

Photonics Programming

Muistisolun tilan ohjelmointi vaatii säteittäisen tasopinnan magneettikentän, jonka toimittaa integroitu kultaelektromagneetti. Järjestelmä voi elektronisesti mitata optisen häviön muutoksia riippuen suunnasta ja magneettikentästä, joka on kohdistettu ferromagneettisen ohutkalvon kautta.

Tämä järjestely luo ohjelmoitavan, ei‑kestoisen magneettikentän, jonka avulla insinöörit voivat aiheuttaa ei‑käänteisen optisen vaiheensiirron muistisolussa. Erityisesti tutkimus dokumentoi sekä myötäpäivään (CW) että vastapäivään (CCW) toimivat mikrorenkaan resonanssin tilat ohjelmoinnin ja laskennallisen datan hakemisen välineinä.

Photonics Life Cycle

Muistin elinkaaren testaaminen oli seuraava vaihe. Tiimi ohjelmoi mielivaltaisen funktiogeneraattorin, joka vaihtoi kirjoitus‑ ja poistopulsseja osana lähestymistapaa. Järjestelmää säädettiin 10 kHz taajuudella. Insinöörit käyttivät sitten amplitudia ±5 V ja pulssin leveyttä 500 ns jäljitelläkseen todellista uudelleenkirjoitusta. Tulokset olivat silmiä avaavia.

Photonics Results

Testitulokset osoittivat, miten tämä uusi fotoniikkamenetelmä voisi muuttaa laskentaa ikuisesti. Yksi esimerkki on, että uusi järjestelmä osoitti lähes rajoittamattomat uudelleenkirjoituskyvyt. Erityisesti saavutettiin 2,4 miljardia ohjelmointisykliä.

Lisäksi insinöörit totesivat, että ei‑käänteisten vaiheensiirtojen hyödyntäminen magneto‑optisissa materiaaleissa mahdollistaa deterministisen, nopean ja tehokkaan ohjelmoinnin. Data osoitti, että ohjelmointinopeus ~1 GHz oli mahdollinen. Lisäksi tiimi saavutti ei‑kestoisuuden, monitasoisen koodauksen, joka ylittää nykyiset menetelmät. Tästä syystä tämä tutkimus voi mullistaa tietokonemarkkinat tulevaisuudessa.

Photonics Benefits

Useita etuja tekevät fotoniikkatutkimuksesta pelin muuttajan. Yksi on, että uusi järjestelmä pystyy suorittamaan monimutkaisia operaatioita, jotka vaativat massiivista laskentatehoa. Nämä järjestelmät ovat ihanteellisia AI- ja ML‑operaatioihin, jotka vaativat matriisi‑vektori‑kertolaskuja ja muita edistyneitä tieteitä.

Reduced Latency

Tiedemiehet havaitsivat, että fotoniikka tarjoaa korkeampia nopeuksia perinteisiin vaihtoehtoihin verrattuna. Testausvaihe paljasti 1 ns muistin pääsyn. Tämä nopeus on 100‑kertainen aiempiin fotoniikkalaitteisiin verrattuna, avaten oven uudelle innovaatiotason tasolle.

Lower Energy Consumption

Energiatehokkuus on toinen etu, jonka fotoniikkajärjestelmä tuo markkinoille. Tämä järjestelmä voi ohjelmoida uudelleen ja käyttää muistia murto‑osalla muiden vaihtoehtojen energiavaatimuksista. Tiimi mittasi tehokkuuden 143 fJ per bitti, mikä asettaa uuden järjestelmän vaatimukset 1/10‑osaan muista fotoniikkavaihtoehdoista.

Reprogrammable

Yksi suurimmista fotoniikkatutkimuksen eduista on se, että nämä laitteet omaavat lähes loputtoman uudelleenkirjoitussyklin. Mikään muu laskentatallennusvaihtoehto ei tarjoa käyttäjille mahdollisuutta kirjoittaa dataa +2Bx uudelleen. Tästä syystä tämä tieteellinen tutkimus voi vaikuttaa merkittävästi datakeskuksiin.

Photonics Researchers

Fotoniikkatutkimusta johti Santa Barbara, John Bowers ja Galan Moody.  Paolo Pintus, Nathan Youngblood, Yuya Shoji ja Mario Dumont osallistuivat myös keskeisesti fotoniikkajärjestelmän tutkimus- ja kehitystyöhön. Nyt tiimi aikoo laajentaa tutkimustaan muihin materiaaleihin löytääkseen parhaan vaihtoehdon huomisen AI‑vallankumouksen voimaannuttamiseksi.

Companies that Can Benefit from the Photonics Research

On olemassa monia yrityksiä, jotka voisivat hyödyntää tätä tutkimusta parantaakseen tuotteitaan ja palveluitaan. Pilvipalveluverkot ja datakeskukset ovat kaksi ilmeistä sektoria, jotka näkevät merkittävän tulonkasvun, jos ne pystyvät toteuttamaan tämän teknologian. Tässä on yksi yritys, joka on täydellisesti asemoitu hyödyntämään tätä tietoa.

Snowflake

Snowflake (SNOW ) astui pilvipalvelumarkkinoille vuonna 2012. Sen pääkonttori on Montanassa, ja sen perustivat Benoît Dageville, Thierry Cruanes ja Marcin Żukowski tarjotakseen markkinoille korkean suorituskyvyn pilvilaskentaa. Tänään Snowflake näyttelee keskeistä roolia mahdollistamalla yrityksille datan tallentamisen, siirtämisen ja käsittelyn pilvessä.

Snowflake nähdään monien mielestä huippu‑osakevalintana sen sitoutumisen, huipputeknologian palveluiden ja asemansa vuoksi. Yritys on hiljattain noussut uutisiin One Million Minds + One Platform -aloitteestaan, jonka tavoitteena on kouluttaa miljoonia työntekijöitä AI:hin vuoteen 2029 mennessä.

Snowflake on yksi arvostetuimmista nimistä pilvipalvelusektorilla. Tällä hetkellä se käsittelee yli 4,2 miljardia kyselyä päivittäin ja sillä on yli 10 000 asiakasta, mukaan lukien 800 yritystä, jotka ovat päätyneet Forbes‑listalle. Tämä tuki ja asiakaskunta voivat lisätä kiinnostusta yhtiön osakkeisiin.

Jos Snowflake pystyisi toteuttamaan fotoniikkatallennusjärjestelmän datakeskuksessa, se voisi nähdä massiivisia sijoitetun pääoman tuottoja. Järjestelmä veisi vähemmän tilaa, kuluttaisi vähemmän energiaa ja tuottaisi paljon vähemmän lämpöä. Lisäksi sillä olisi rajaton uudelleenkirjoituselinkaari ja se voisi tarjota asiakkailleen pienemmän latenssin. Tämä puolestaan voisi nostaa liikevaihtoa.

Photonics – using Light to Take Computing to the Next Level

Fotoniikka saattaa olla se, mitä maailma tarvitsee avatakseen uuden tason laskennallista ymmärrystä. Tämä teknologia tarjoaa kestävyyden ja kestävän kehityksen, joita insinöörit tänään etsivät. Tästä syystä monet pitävät tätä tutkimusta keskeisenä AI‑liikkeelle. Kaikki nämä tekijät tarkoittavat, että fotoniikkalaskentaliike on juuri ajoissa.

Lisätietoja muista hienoista laskentaprojekteista täällä.

Tutkimusviite:

^{1. Pintus, P., Dumont, M., Shah, V., et al. (2025). Integroitu ei‑käänteinen magneto‑optinen tekniikka erittäin pitkällä kestävyydellä fotoniikan in-memory -laskentaa varten. Nature Photonics, 19(1), 54–62. https://doi.org/10.1038/s41566-024-01549-1}