Piitästä valoon: Seuraava tekoälyn laitteistoaalto

Kun tekoäly (AI) jatkaa suosiotaan ja tehoaan, myös sen tarve nopeudelle ja energialle kasvaa. Tarve nopeammille, älykkäämmille ja tehokkaammille järjestelmille on saanut tutkijat tutkimaan radikaalia vaihtoehtoa: optista laskentaa.

Toisin kuin perinteiset prosessorit, jotka käyttävät elektroneja, optinen laskenta käyttää fotoneja, eli valohiukkasia, tiedon siirtämiseen ja käsittelyyn. Tämä siirtymä tarjoaa kaksi keskeistä etua.

Ensinnäkin fotonit ovat merkittävästi energiatehokkaita. Ne tuottavat huomattavasti vähemmän lämpöä kuin elektronit, jotka tuottavat niin paljon lämpöä, että se rajoittaa niiden suorituskykyä ja vaatii suuria, kalliita jäähdytysjärjestelmiä datakeskuksissa.

Toiseksi valo kulkee paljon, paljon nopeammin kuin sähkövirrat, mahdollistaen dramaattisesti nopeammat toiminnot. Optiset signaalit voivat myös kantaa enemmän tietoa, tarjoten yksinkertaisen reitin puhtaampaan ja nopeampaan laskentaan.

Tämän seurauksena fotoninen laskenta on saanut kasvavaa kiinnostusta. Teknologia osoittaa lupaavia tuloksia laboratoriotesteissä ja houkuttelee merkittävää investointia suurilta yrityksiltä.

Kuitenkin laboratoriomenestyksen siirtäminen käytännöllisiksi fotonisiksi laitteiksi on osoittautunut melko vaikeaksi. Tähän meidän on ensin ylittävä useita esteitä. Fotoneilla ei ole luonnollista vuorovaikutusta keskenään, mikä vaikeuttaa optisten logiikkaporttien rakentamista, jotka ovat laskennan perusta. Lisäksi teknologia on edelleen tutkimusvaiheessa, eikä sillä ole sitä kypsyyttä ja mittakaavaetuja, joita elektronisella piirikorttivalmistuksella on vuosikymmenten kaupallistumisen ansiosta.

Sitten on kustannus, massiivisuus ja alhaiset modulaatiotaajuudet, jotka rajoittavat suurinta osaa nykyisistä optisista kokoonpanoista.

Uusi tutkimus on ottanut merkittävän askeleen kohti joidenkin rajoitusten voittamista kehittämällä uuden optisen moottorin, joka yhdistää nopeuden, tehokkuuden ja kompaktisuuden yhdellä sirulla.

Tsinghuan yliopiston tutkijat ovat kehittäneet mullistavan optisen järjestelmän laskentaa varten, joka suorittaa ominaisuuksien poiminnan ennennäkemättömän alhaisella latenssilla, ja jolla on potentiaalia mullistaa AI:n käsittelyn.

Valon käyttö sähkövirran sijaan tiedon käsittelyyn mahdollistaa teknologian merkittävän laskennan nopeuttamisen samalla kun latenssia minimoidaan, mikä on suuri harppaus kohti reaaliaikaista AI:ta.

Tämän uuden järjestelmän ytimessä on puolijohdeoptinen vahvistinpohjainen Mach-Zehnder -interferometri, eli SOA-MZI.

SOA on kompakti laite, joka vahvistaa suoraan valosignaaleja stimuloidun emissioin. Samaan aikaan MZI, yksi vanhimmista optisista instrumenteista, on perus-aaltoputkiliikenteen interferenssilaitteisto, joka koostuu kahdesta kytkimestä, jotka on yhdistetty kahdella eripituisella aaltoputkella.

Nyt SOA-MZI -kokoonpano mahdollistaa valon suorittaa syväoppimisen taustalla olevan työn. Tieto käsitellään, ja ominaisuuksia kuten kuviot ja reunat havaitaan valosignaalissa ilman, että ne muunnetaan takaisin sähköksi.

Lisäksi laite käyttää aallonpituus-jako-multipleksaus (WDM) -menetelmää. Tämä menetelmä jakaa valon värispektriksi, jossa jokainen väri kantaa omaa datavirtaansa. WDM:n hyödyntäminen mahdollistaa sirun suorittaa monia laskelmia rinnakkain, mikä lisää läpäisykykyä.

Kun se testattiin laboratoriossa, moottori käsitteli dataa jopa 10 gigabittiä sekunnissa (Gbps) kanavaa kohden, latenssilla vain kymmeniä pikosekunteja (ps). Vertailun vuoksi yksi ps on yhtä kuin 1 000 femtosekuntia tai tuhannesosa nanosekunnista.

Nämä tulokset osoittavat, että moottori on paljon nopeampi kuin mikään elektroninen prosessori voisi toivoa saavuttavansa.

Mitä tämä nopeus tarkoittaa, on että järjestelmä voi käsitellä tietoa reaaliajassa, tehden siitä täydellisen sovelluksiin kuten korkean taajuuden kaupankäynti, lääketieteellinen kuvantaminen, robottikirurgia tai autonomiset ajoneuvot. Nämä sovellukset luottavat AI:n kykyyn poimia avainominaisuuksia raakadatasta nopeasti, joten jopa millisekunnit ovat erittäin merkittäviä.

Läpimurto: Tsinghuan optinen moottori ja reaaliaikainen AI

Mooren laki sanoo, että mikrosirun transistorien määrä kaksinkertaistuu noin kahden vuoden välein. Tämä johtaa laskentatehon kasvuun, kustannusten alenemiseen ja yleisesti pienempiin laitteisiin.

Tämä trendi, joka on ohjannut innovaatiota puolijohdeteollisuudessa, näyttää nyt lähestyvän loppuaan. Kun transistorit ovat kutistuneet vain muutaman nanometrin kokoisiksi, niiden koko lähestyy piipohjaisen teknologian fyysisiä rajoja.

Pienemmän koon lisäksi, mikä johtaa elektronitunnelaamiseen ja vuotovirtoihin, jotka lisäävät energian käyttöä ja lämmöntuottoa, huippuluokan mikrosirujen valmistuskustannukset ovat nousseet räjähdysmäisesti. Samaan aikaan pii itse saavuttaa suorituskyky- ja skaalautuvuusrajoituksensa.

Tämän vuoksi tutkijat ja yritykset ovat etsineet vaihtoehtoisia ratkaisuja, kuten sirupaloja, järjestelmä-paketissa (SiP), ei‑kondensaatiomuistia, kvanttilaskentaa, biolaskentaa ja tietysti fotoniikkaa.

Näiden vaihtoehtojen joukossa fotoniikka osoittaa erityistä lupaavuutta AI-sovelluksissa. Hyödyntämällä valon voimaa, ominaisuuksien poiminta, kriittinen vaihe koneoppimisessa, voidaan merkittävästi nopeuttaa.

Ominaisuuksien poiminta on prosessi, jossa raakadata muunnetaan yksinkertaistettuun numeeristen ominaisuuksien joukkoon, joka edustaa paremmin koneoppimismallien (ML) taustalla olevaa ongelmaa. Tämä tekniikka vähentää datan monimutkaisuutta poimimalla olennaisimmat tiedot, parantaen siten ML-algoritmien suorituskykyä ja tehokkuutta.

Vaikka valo voi nopeuttaa ominaisuuksien poimintaa, vakaan, koherentin valon ylläpitäminen nopeita optisia laskelmia varten on äärimmäisen haastavaa.

Tämän ratkaisemiseksi Tsinghua-yliopiston tutkijat kehittivät toisen sukupolven optisen ominaisuuksien poimintamoottorin (OFE2), joka pystyy suorittamaan optista ominaisuuksien poimintaa lukuisissa käytännön sovelluksissa. Integroitu sirun sisäinen järjestelmä käyttää säädettäviä tehojakajia ja tarkkoja viiveviivoja vakaiden, rinnakkaisten optisten signaalien toimittamiseen.

Järjestelmä deserialisoi saapuvan datavirran näytteistämällä sisääntulon signaalin useiksi synkronoiduiksi valoaalloiksi, mikä mahdollistaa rinnakkaisen reaaliaikaisen käsittelyn.

Nämä valoaallot kulkevat sitten diffraktiotoimittimen läpi, mikroskooppisen levymäisen rakenteen, joka suorittaa laskelmia valon kulkiessa sen läpi. Tämä toiminto vastaa matriisi‑vektori‑kertolaskua, keskeistä AI‑toimintoa datan muuntamiseen ja käsittelyyn.

Se, miten diffraktioitu valo luo tarkennetun ‘kirkkaan pisteen’ ulostulossa, on olennaista tälle toiminnolle, sillä se voidaan osittain ohjata tiettyyn ulostuloporttiin säätämällä rinnakkaisten sisääntulovalojen vaihetta. Tämä ulostulotehon liike yhdessä vastaavien muutosten kanssa mahdollistaa heidän moottorinsa, eli OFE2:n, tallentaa sisääntulusignaalin vaihteluiden ominaisuuksia ajan myötä.

OFE2 toimii 12,5 GHz:n taajuudella, mikä on ennätys optisessa laskennassa, ja se pystyy suorittamaan yhden matriisi‑vektori‑kertolaskun 250,5 ps sisällä, mikä on alhaisin latenssi vastaavien optisen laskennan toteutusten joukossa.

“Uskomme vahvasti, että tämä työ tarjoaa merkittävän vertailukohdan integroidun optisen diffraktiolaskennan edistämiseksi yli 10 GHz:n taajuuteen todellisissa sovelluksissa.”

– Professori Hongwei Chen, joka yhdessä Tsinghua-yliopiston tiiminsä kanssa toteutti tämän tutkimuksen

Tiimi osoitti järjestelmänsä vahvat kyvyt eri tehtävissä.

Kun sitä testattiin digitaalisen kaupankäyntitehtävän osalta, OFE2 saavutti vaikuttavia tuloksia. Kauppias syöttää reaaliaikaisia hintasignaaleja OFE2:een, ja optimaalisesti konfiguroitu moottori tuottaa ulostulosignaaleja, jotka käännetään suoraan osto‑ tai myyntipäätöksiksi, saavuttaen vakaan kannattavuuden minimaalisella viiveellä, koska järjestelmä toimii valonnopeudella.

Tiimi käytti myös OFE2:ta kuvien käsittelyyn, jossa moottori poimi reunojen ominaisuuksia syötteistä ja loi kaksi toisiaan täydentävää ominaisuuskarttaa, jotka muistuttavat reliefi‑ ja kaiverrusefektejä. OFE2:n tuottamat optiset ominaisuudet suoriutuivat paljon paremmin kuvien luokittelussa ja paransivat pikselitarkkuutta semanttisessa segmentoinnissa, kuten elinten tunnistamisessa tietokonetomografiakuvissa (CT).

Entistä tärkeämpää on, että kun AI‑järjestelmät käyttävät OFE2:ta, ne tarvitsevat vähemmän elektronisia parametreja, mikä osoittaa optisen esikäsittelyn potentiaalin mahdollistaa kevyemmät, tehokkaammat ja edullisemmat hybrid AI‑järjestelmät. Vaikea työ tehdään optisessa esikäsittelyssä, kun taas AI‑mallit voivat keskittyä oppimiseen ja tulkintaan.

Nämä tulokset viittaavat siihen, että intensiivisimmät laskentakuormat voidaan siirtää elektroniikasta fotoniikkaan, avaten tulevaisuuden reaaliaikaisille AI‑malleille.

Tutkijoiden mukaan laite pystyy käsittelemään valtavia datavirtoja hyvin vähäisellä energiahäviöllä säilyttäen hyvän signaalin eheyden myös kuormituksen alla.

“Tutkimuksemme esittelemät edistysaskeleet nostavat integroidut diffraktiotoiminnot korkeammalle taajuudelle, tarjoten tukea laskentaintensiivisille palveluille, kuten kuvantunnistukselle, avustavalle terveydenhuollolle ja digitaalisen rahoituksen alalla,” sanoi Chen. “Odotamme innolla yhteistyötä kumppaneiden kanssa, joilla on datainteensiivisiä laskentatarpeita.”

Klikkaa tästä oppiaksesi, miten valonnopeuslaskenta on mahdollista piin fotoniikalla.

Globaali kilpajuoksu laskennan uudistamiseksi fotoniikalla 

Pyyhkäise vierittääksesi →

Tsinghuan edistys on osa laajempaa globaalia siirtymää. Tiedemiehet ympäri maailmaa kilpailevat elektronisten pullonkaulojen voittamiseksi kääntymällä valoon.

Tänä vuonna toinen Kiinan tiimi esitteli sirunsa, joka hyödyntää valoa prosessorien synkronointiin ja voisi avata seuraavan sukupolven viestinnän ja nopean AI‑laskennan.

Perinteiset sirut tuottavat kelloaaltosignaaleja elektronisten oskillaattorien avulla, ja ne toimivat usein vain yhdellä pääkellotaajuudella, mikä tarkoittaa, että eri sovellukset tarvitsevat erilaisia sirunvalmistusteknologioita. Kiinan Pekingin yliopiston johtama kansainvälinen tiedemiestö on suunnitellut uuden sirun, joka käyttää “valoa välineenä kellosignaalien tuottamiseen fotonien kautta.”

He ovat kehittäneet “sirun sisäisen mikrohammasrattaan”, joka voi syntetisoida yksittäisiä taajuuksia ja laajakaistaisia signaaleja sekä tarjota referenssikelloja järjestelmän elektroniikalle.

“Rakentamalla sirulle rengas, joka näyttää kilparadalta, valo voi jatkuvasti ‘juosta’ valonnopeudella. Jokaisen kierroksen aika otetaan sitten sirun sisäisen kellon standardiksi,” sanoi pääkirjoittaja Chang Lin, joka on apulaisprofessori Pekingin yliopiston Tiedon‑ ja viestintätekniikan instituutissa. “Koska kierros kestää vain muutaman miljardisosan sekunnista, kello voi säädellä aikaa äärimmäisen korkealla nopeudella.”

Uudella teknologialla varustetut sirut voivat kattaa erilaisia mikroaaltotaajuusalueita.

Tiimi on saavuttanut yli 100 GHz:n kellotaajuuden ja on ilmoittanut, että he voivat tuottaa tuhansia identtisiä siruja 8‑tuuman waferilla samalla kun he ratkaisevat vakautusongelmia ja optimoivat pakkausprosesseja.

Toinen kansainvälinen tutkijaryhmä yritti käsitellä Moore’n lain rajoituksia fotoniikan avulla, mutta he hyödynsivät magneto‑optista materiaalia.

Materiaali on ceriumilla korvattu yttriumrautagarnetti (YIG), jonka optiset ominaisuudet muuttuvat dynaamisesti ulkoisten magneettikenttien vaikutuksesta.

Käyttäen pieniä magneetteja datan tallentamiseen ja valon siirron hallintaan materiaalin sisällä, tutkijat loivat uudenlaisen magneto‑optisen muistin.

Tämän muistin uusi luokka, tutkimuksen mukaan, vaihtaa nopeudella, joka on 100‑kertaisesti nopeampi kuin kehittyneen fotonisen integroidun teknologian, kuluttaa noin kymmenesosan energiasta ja voidaan ohjelmoida uudelleen yli 2,3 miljardia kertaa, mikä mahdollisesti tarkoittaa rajoittamatonta käyttöikää.

Samaan aikaan Yhdysvalloissa MIT:n tiedemiehet ovat osoittaneet fotonisen prosessorin, joka pystyy suorittamaan kaikki AI‑laskelmat optisesti sirulla.

Heidän optinen laitteensa suoritti avainlaskelmat ML‑luokittelutehtävässä alle puoli nanosekunnissa 92 % tarkkuudella.

Työssään tiedemiehet suunnittelivat epälineaarisia optisia funktioyksiköitä (NOFUs) käsittelemään optiikan epälineaarisuuden haasteita, jotka johtuvat siitä, että fotonit eivät helposti vuorovaikuta keskenään, mikä tekee optisten epälineaarisuuksien aktivoimisesta energiaintensiivistä. NOFUs yhdistävät optiikan ja elektroniikan integroidakseen epälineaariset toiminnot sirulle.

Kun yliopistot esittelevät konseptin todistavia optisia siruja, suuryritykset eivät ole kaukana perässä; ne tutkivat aktiivisesti, miten nämä periaatteet voivat tehdä kaupallisista AI‑järjestelmistä nopeampia ja vihreämpiä.

Microsoftin tutkijat kuvasivat valoon perustuvaa tietokonetta, joka käyttää kameratunnistimia ja mikro‑LED:eitä, tehdäkseen AI:sta sata kertaa tehokkaamman. Teknojättiläisen prototyyppi‑analoginen optinen tietokone (AOC) laskee ongelman lukuisia kertoja, ja jokaisella kerralla se paranee, kunnes “vakaatila” saavutetaan.

“AOC:n tärkein ominaisuus on, että arvioimme noin satakertaisen parannuksen energiatehokkuudessa,” sanoi tutkimuksen yhteiskirjoittaja Jannes Gladrow, Microsoftin AI‑tutkija, yrityksen blogikirjoituksessa. “Se on yksinään kuulematonta laitteistossa.”

Samaan aikaan tiimi ohjelmoi “digitaalisen kaksosensa”, mallin, joka jäljittelee fyysisen AOC:n laskelmia ja voidaan skaalata käsittelemään enemmän muuttujia ja vielä monimutkaisempia laskelmia. Malli mahdollistaa tiimille “työskennellä suurempien ongelmien parissa kuin itse laite pystyy tällä hetkellä käsittelemään,” totesi Michael Hansen, Microsoft Health Futuresin vanhempi johtaja biolääketieteellisessä signaalinkäsittelyssä.

Tietokone pystyy jo käsittelemään joitakin tehtäviä, kuten MRI‑kuvan rekonstruktio, rahoitustransaktioiden sovittaminen ja yksinkertainen AI‑päättely.

Testatakseen AOC:ta tiimi antoi sille aluksi yksinkertaisen tehtävän luokitella kuvia, ja fyysinen AOC suoriutui suunnilleen digitaalisen tietokoneen tasolla. Sen digitaalista kaksosta käytettiin sitten aivojen skannauksen kuvan rekonstruoimiseen käyttäen vain 62,5 % alkuperäisestä datasta, ja se teki sen tarkasti. Tämän saavutuksen, tiedemiehet uskovat, voi lyhentää MRI‑aikoja.

AOC:ta käytettiin myös rahoitusongelmien ratkaisemiseen, joissa sillä oli korkeampi onnistumisprosentti kuin nykyisillä kvanttitietokoneilla.

IBM:n haastattelussa Francesca Parmigiani, Microsoft Research Cambridgein pääasiallinen tutkija, sanoi, että heidän järjestelmässään on “kaksoisaluekyky”, mikä tarkoittaa, että se voi suorittaa kahta erilaista tehtävää samalla laitteistolla. Tämä toteutetaan kiinteäpistehaun avulla, joka yhdistää molempien ongelmien ratkaisutavat.

“Minua innostaa eniten, että voimme jo nyt suorittaa työkuormia sekä AI:ssa että optimoinnissa samalla laitteistolla,” hän sanoi. “Olemme vielä pienessä mittakaavassa, mutta tämä on tärkeä ensimmäinen askel.”

IBM itse käyttää fotoneja, ei laskentaan, vaan tiedon siirtämiseen nopeammin. “Käytämme valoa lähettääksemme dataa erittäin korkealla tiheydellä AI‑sovelluksiin,” sanoi Jean Benoît Héroux, IBM Researchin tutkija. He kehittävät fotonisia linkkejä, jotka siirtävät dataa sirujen, muistin ja piirilevyjen välillä.

Sijoittaminen fotoniseen laskentaan 

Kun fotonisen laskennan vauhti kiinnittää suurten teknologiayritysten huomion nopeamman AI‑laskennan tarpeen keskellä, AI:n suosikki NVIDIA (NVDA ) on myös tutkinut tapoja integroida fotonisia yhteyksiä ja optista verkottamista viedäkseen laitteistoaan vielä pidemmälle.

Johtaessaan GPU‑pohjaista AI‑vallankumousta, NVIDIA tutkii optista datansiirtoa ylittääkseen kaistanleveyden pullonkaulat, jotka rajoittavat perinteisiä sirurakenteita.

Tänä vuonna yritys lanseerasi fotonisia kytkimiä yhteispaketoidulla optiikalla (CPO) tarjotakseen 10‑kertaisesti paremman verkon kestävyyden, 3,5‑kertaisesti paremman energiatehokkuuden ja 1,3‑kertaisesti nopeamman käyttöönottoajan verrattuna perinteisiin verkkoihin.

Mitä tulee sirunvalmistajan osakekurssiin, tällä viikolla siitä tuli ensimmäinen yritys, jonka markkina‑arvo ylitti 5 triljoonaa dollaria, kun sen osakekurssi nousi yli 212 $:n ja saavutti uuden ennätyskurssin (ATH). Tällä hetkellä 207 $:lla NVIDIA:n osakkeet ovat nousseet yli 54 % vuoden alusta.

Sen EPS (TTM) on 3,51 ja P/E (TTM) 58,93. Osakkeenomistajille maksetaan osinkotuottoa 0,02 %.

Kun tarkastellaan NVIDIA:n taloudellista asemaa, yritys ilmoitti 46,7 miljardia dollarin liikevaihdon vuoden 2026 toisen neljänneksen aikana. Vaikka kokonaisliikevaihto nousi 6 % edellisestä neljänneksestä, NVIDIA:n datakeskusliikevaihto kasvoi 5 % 41,1 miljardiin dollariin, ja Blackwell‑datakeskuksen liikevaihto nousi peräkkäin 17 %.

Yhteenveto

Kun AI‑hullutus leviää ympäri maailmaa, tutkijat ja yritykset pyrkivät korvaamaan elektronit fotoneilla avatakseen uuden maailman nopeutta, skaalautuvuutta ja energiatehokkuutta. Tässä pyrkimyksessä uudelleenmääritellä AI‑infrastruktuuria, Tsinghua-yliopiston optisen moottorin viimeaikainen läpimurto osoittaa, että valoon perustuvat järjestelmät voivat kilpailla tai jopa ylittää elektroniset vastineensa tietyissä tehtävissä.

Mutta fotoninen laskenta on edelleen testausvaiheessa. Kun fotoninen laskenta kypsyy ja tulee kustannustehokkaaksi, se voi ennakoida aikakauden, jossa laskenta tapahtuu valonnopeudella.

Klikkaa tästä oppiaksesi, miten valolla toimiva siru tehostaa AI:ta 100‑kertaisesti.

Lähteet

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). Korkeanopeinen ja matalan latenssin optinen ominaisuuksien poimintamoottori, joka perustuu diffraktiotoimittimiin. 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). Integroitu ei‑käänteinen magneto‑optikka, jolla on erittäin korkea kestävyys fotonisessa muistissa tapahtuvaa laskentaa varten. 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). Yhden sirun fotoninen syvä neuroverkko, jossa on vain eteenpäin suuntautuva koulutus. 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). Analoginen optinen tietokone AI‑päättelyyn ja kombinatoriseen optimointiin. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z}