La fotonica può mantenere viva la legge di Moore?

La legge di Moore stabilisce che il numero di transistor in un circuito integrato aumenterà approssimativamente ogni due anni, insieme alla potenza dei computer. Questo principio è stato in gran parte corretto dal 1965. Tuttavia, si può presumere che Gordon E. Moore, co‑fondatore di Intel (INTC ), non avesse considerato che i chip avrebbero raggiunto i limiti di miniaturizzazione, facendo ritardare la potenza computazionale.

Fortunatamente, un team di ingegneri dell’Università della California ha sviluppato un metodo innovativo che utilizza la fotonica per fornire più potenza computazionale senza sacrificare le dimensioni. Ecco cosa c’è da sapere.

Shrink’em

Il mondo è stato alla ricerca di ridurre le dimensioni dei computer sin dalla loro invenzione. Alcuni dei tuoi nonni potrebbero persino ricordare quando i computer occupavano un’intera stanza e richiedevano molte persone per funzionare. Oggi, il tuo smartwatch offre più potenza computazionale rispetto a questi colossi, ed è solo la punta dell’iceberg del micro‑computing. Il viaggio da un’intera stanza fino all’elettronica micro‑elettronica odierna è stato entusiasmante, pieno di sperimentazioni, scoperte e talvolta fallimenti.

Physical and Cost Limitations

È evidente che esiste un punto in cui la produzione di componenti così microscopici diventa proibitiva dal punto di vista dei costi. Secondo la maggior parte dei ricercatori, il mercato ha già raggiunto questo punto. Inoltre, i guadagni computazionali non sono in linea con la legge di Moore, poiché i chip più piccoli non possono fornire una potenza di calcolo proporzionale a quella dei loro omologhi più grandi.

Di conseguenza, si sta creando un divario crescente tra la potenza computazionale disponibile e quella necessaria, portando alcuni attori noti del mercato, come il CEO di Nvidia (NVDA ), Jensen Huang, a dichiarare che la legge di Moore è morta, elencando i processori specifici per applicazione come il futuro.

Demand for High-Powered Computers

La crescita improvvisa dell’intelligenza artificiale e dei sistemi di machine learning ha aumentato la domanda di potenti piattaforme di calcolo e cloud. Queste richieste hanno superato il design dei chip in termini di prestazioni, creando un collo di bottiglia nel settore dello sviluppo dell’AI che limita l’innovazione. Ora, la corsa è avviata per fornire una soluzione che possa tenere il passo con le esigenze dei moderni computer ad alta potenza e dei sistemi AI.

Computing Power Solutions

Alcuni analisti credono che una soluzione sia creare chip speciali che integrino logica e elaborazione sullo stesso chip. Questo approccio aiuta a ridurre la latenza e il consumo energetico e migliora le prestazioni. Tuttavia, le limitazioni computazionali lo rendono ancora poco ideale quando si tratta di enormi requisiti di dati AI.

Memory Computing

Un’altra soluzione che entusiasma i ricercatori è il memory computing. Questo metodo di archiviazione utilizza una RAM ad accesso rapido invece di un disco rigido rotante. In particolare, la RAM di una rete di computer viene configurata tramite software middleware per eseguire la memoria in parallelo. Questo metodo di archiviazione è 5000 volte più veloce dei metodi tradizionali, ma non riesce ancora a tenere il passo con la legge di Moore.

Photonics

La fotonica è un altro metodo di calcolo ad alta potenza che interessa i ricercatori. La fotonica funziona rilevando onde luminose tramite elettronica. La scienza ruota attorno alla generazione e al controllo della luce mentre attraversa una matrice di pesi ottici programmabili.

Questi pesi integrano una matrice 2D di modulatori ottici non volatili che consentono di eseguire una trasformazione lineare su un vettore di ingressi ottici. Questa strategia offre velocità di commutazione più rapide rispetto ai metodi di calcolo basati su RAM.

Current Limitations to Photonics

Alcuni degli svantaggi della fotonica nel calcolo includono il fatto che i sistemi attuali possono essere riscritti solo circa 1000 volte. Questa durata limitata li rende un’opzione costosa. Inoltre, i pesi ottici hanno una bassa densità di archiviazione e la programmazione è più lenta rispetto ai chip tradizionali.

I sistemi di calcolo fotonico esistono in varie forme e design. Tuttavia, questi sistemi richiedono processi di fabbricazione specializzati molto più costosi rispetto ai loro equivalenti. Nonostante le restrizioni di costo, molti ricercatori credono che la fotonica sia il futuro del calcolo e che la legge di Wright sia la chiave per la sua implementazione.

Wright’s Law

Esiste anche la legge di Wright, che continuerà a svolgere un ruolo nella nostra capacità di avanzare i semiconduttori. Questa legge è un principio di produzione proposto dall’ingegnere aeronautico Theodore Paul Wright. Mentre lavorava in uno stabilimento di produzione di aeromobili, notò che i requisiti di manodopera diminuivano del 15 % man mano che i processi di produzione miglioravano, anche con l’aumento dei volumi di produzione.

Questi risparmi di costo derivavano da processi migliorati, tecnologia, sistemi di recupero e altri aggiornamenti effettuati durante la produzione. Perciò, molti analisti credono che la legge di Wright aiuterà a rendere la fotonica un’opzione più disponibile e meno costosa in futuro.

Puoi già vedere la legge di Wright in azione nel settore dell’AI. Qualche anno fa, sarebbe stato impossibile per la persona media accedere o gestire un sistema AI. Creare modelli AI, gestirli e aggiornarli era semplicemente troppo costoso. Inoltre, nessuno aveva creato un modo affidabile per l’AI di interagire con gli esseri umani.

Tuttavia, da quando programmi come ChatGPT sono arrivati sul mercato, chiunque può ora utilizzare questi potenti strumenti per migliorare efficienza e creatività. Questi sistemi integrano grandi modelli linguistici che rendono semplice per chiunque operarli tramite semplici prompt di chat. Questo sviluppo ha spinto l’adozione dell’AI alle stelle, portando alle attuali carenze di potenza computazionale.

Photonics Study

Lo studio “Ottica magnetica non reciproca integrata con ultra‑alta resistenza per il calcolo fotonico in‑memoria”¹ pubblicato sulla rivista Nature Photonics rivela un nuovo metodo di calcolo ottico che potrebbe rivoluzionare il mercato. Lo studio approfondisce la codifica dei pesi ottici per il calcolo fotonico in‑memoria.

Fonte – Nature

I ricercatori hanno scelto di utilizzare celle di memoria magneto‑ottica e un’architettura fotonica basata sulla risonanza per raggiungere i loro obiettivi computazionali. La strategia si basa su uno spostamento di fase non reciproco in materiali magneto‑ottici come mezzo per implementare il calcolo fotonico in‑memoria.

Un nuovo modello matematico ha permesso al team di testare i materiali magneto‑ottici. Hanno scoperto che il garnet di ferro ittrio (YIG) sostituito con cerio consentiva di utilizzare un campo magnetico esterno per controllare la propagazione della luce. Questa luce controllata poteva quindi essere usata per eseguire calcoli.

Lo studio ha dimostrato come piccoli magneti possano memorizzare dati in modo efficiente e accedervi a velocità fulminea.

Il processo di codifica dei magneti funziona impostando la forza del dominio magnetico dell’unità. Per far funzionare il dispositivo, i segnali elettronici devono essere convertiti nel dominio ottico tramite modulatori elettro‑ottici (E/O) per la programmazione e l’archiviazione. Da lì, i fotodetettori bilanciati (BPD) riconvertono il segnale ottico differenziale in un segnale elettrico affinché la logica CMOS possa elaborarlo insieme alla SRAM.

Photonics Test

Per testare la loro cella di memoria magneto‑ottica non volatile, i ricercatori hanno impostato vari approcci. Hanno iniziato con un ingresso elettrico a 2 bit che ha permesso di ottenere due pesi ottici positivi e due negativi. Da lì, il campo magnetico è stato manipolato per monitorare le variazioni.

Cerium-substituted Yttrium Iron Garnet (YIG),

Un YIG monocristallino spesso 500 nm è stato coltivato in laboratorio mediante un metodo di sputtering a radiofrequenza a 750 °C per la fase di test. In particolare, il team ha deciso di utilizzare un wafer con un raggio dell’anello di 35 µm. Inoltre, è stato integrato uno strato di ossido di silicio spesso 10 nm come separatore tra lo strato di silicio e lo strato Ce : YIG.

Photonics Programming

Programmare lo stato della cella di memoria richiede un campo magnetico radiale in piano fornito da un elettromagnete d’oro integrato. Il sistema può misurare elettronicamente le variazioni di perdita ottica a seconda della direzione e del campo magnetico applicato tramite film sottile ferromagnetico.

Questa configurazione crea un campo magnetico programmabile e non volatile, consentendo agli ingegneri di indurre uno spostamento di fase ottico non reciproco nella cella di memoria. È degno di nota che lo studio ha documentato sia modalità orarie (CW) sia anti‑orarie (CCW) di un micro‑anello risonatore come mezzo per programmare e accedere ai dati computazionali.

Photonics Life Cycle

Testare il ciclo di vita della memoria è stato un altro passo. Il team ha programmato un generatore di funzioni arbitrario che ciclicamente alternava impulsi di scrittura e cancellazione come parte del loro approccio. Il sistema è stato regolato a una frequenza di 10 kHz. Gli ingegneri hanno poi usato un’ampiezza di ±5 V e una larghezza d’impulso di 500 ns per replicare la riscrittura reale. I risultati sono stati sorprendenti.

Photonics Results

I risultati dei test hanno dimostrato come questo nuovo metodo di fotonica possa cambiare per sempre il calcolo. In primo luogo, il nuovo sistema ha mostrato capacità di riscrittura quasi illimitate. In particolare, sono stati raggiunti 2,4 miliardi di cicli di programmazione.

Inoltre, gli ingegneri hanno determinato che l’utilizzo di spostamenti di fase non reciproci in materiali magneto‑ottici consente una programmazione deterministica rapida ed efficiente. I dati hanno mostrato che una velocità di programmazione di circa 1 GHz era possibile. Inoltre, il team ha ottenuto una non volatilità, una codifica a più livelli che supera i metodi attuali. Di conseguenza, questa ricerca potrebbe rivoluzionare il mercato dei computer in futuro.

Photonics Benefits

Vari benefici rendono lo studio sulla fotonica un punto di svolta. In primo luogo, il nuovo sistema può eseguire operazioni complesse che richiedono una potenza computazionale massiccia. Questi sistemi sono ideali per operazioni AI e ML che richiedono moltiplicazioni matrice‑vettore e altre scienze avanzate.

Reduced Latency

Gli scienziati hanno scoperto che la fotonica offre velocità superiori rispetto alle opzioni tradizionali. La fase di test ha rivelato un accesso alla memoria di 1 ns. Questa velocità è 100 volte più veloce dei dispositivi fotonici precedenti, aprendo la porta a un nuovo livello di innovazione.

Lower Energy Consumption

L’efficienza energetica è un altro vantaggio che il sistema fotonico porta sul mercato. Questo sistema può riprogrammare e accedere alla memoria con una frazione dei requisiti energetici di altre opzioni. Il team ha registrato un’efficienza di 143 fJ per bit, posizionando i requisiti del nuovo sistema a 1/10 rispetto ad altre soluzioni fotoniche.

Reprogrammable

Uno dei più grandi vantaggi della ricerca sulla fotonica è la scoperta che questi dispositivi hanno un ciclo di riprogrammazione quasi infinito. Nessun’altra opzione di archiviazione computazionale offre agli utenti la possibilità di riscrivere i dati +2Bx. Pertanto, questa ricerca scientifica potrebbe avere un impatto notevole sui data center.

Photonics Researchers

La ricerca sulla fotonica è stata guidata da Santa Barbara, John Bowers e Galan Moody. Paolo Pintus, Nathan Youngblood, Yuya Shoji e Mario Dumont hanno anche svolto ruoli cruciali nella ricerca e nello sviluppo del sistema fotonico. Ora, il team cercherà di espandere la ricerca ad altri materiali per trovare l’opzione migliore per alimentare la rivoluzione AI di domani.

Companies that Can Benefit from the Photonics Research

Esistono diverse aziende che potrebbero utilizzare questa ricerca per migliorare i loro prodotti e servizi. Le reti di cloud computing e i data center sono due settori ovvi che vedranno un notevole aumento di fatturato se riusciranno a implementare questa tecnologia. Ecco un’azienda perfettamente posizionata per sfruttare queste informazioni.

Snowflake

Snowflake (SNOW ) è entrata nel mercato del cloud computing nel 2012. Ha sede in Montana ed è stata co‑fondata da Benoît Dageville, Thierry Cruanes e Marcin Żukowski per fornire cloud computing ad alte prestazioni al mercato. Oggi, Snowflake svolge un ruolo cruciale nell’abilitare le aziende a memorizzare, migrare e processare dati sul cloud.

Snowflake è considerata da molti una delle migliori scelte azionarie grazie al suo impegno per l’innovazione, i servizi all’avanguardia e il suo posizionamento. L’azienda ha recentemente fatto notizia per l’iniziativa One Million Minds + One Platform, che mira a formare milioni di lavoratori sull’AI entro il 2029.

Snowflake è uno dei nomi più rispettati nel settore del cloud computing. Attualmente gestisce oltre 4,2 miliardi di query al giorno e conta più di 10 000 clienti, inclusi 800 aziende presenti nelle liste Forbes. Questo supporto e base clienti potrebbe stimolare l’interesse per le azioni dell’azienda.

Se Snowflake riuscisse a implementare un sistema di archiviazione fotonica in un data center, potrebbe vedere ritorni sull’investimento massicci. Il sistema occuperebbe meno spazio, richiederebbe meno energia e produrrebbe molto meno calore. Inoltre, avrebbero una durata di riscrittura illimitata offrendo minore latenza ai loro clienti. Di conseguenza, i ricavi potrebbero aumentare.

Photonics – using Light to Take Computing to the Next Level

La fotonica potrebbe essere ciò di cui il mondo ha bisogno per sbloccare un nuovo livello di comprensione computazionale. Questa tecnologia offre la longevità e la sostenibilità che gli ingegneri cercano oggi. Di conseguenza, molti vedono questa ricerca come cruciale per il movimento AI. Tutti questi fattori significano che il movimento di calcolo fotonico è giusto al momento giusto.

Scopri altri progetti di calcolo interessanti qui.

Riferimento allo studio:

^{1. Pintus, P., Dumont, M., Shah, V., et al. (2025). Ottica magnetica non reciproca integrata con ultra‑alta resistenza per il calcolo fotonico in‑memoria. Nature Photonics, 19(1), 54–62. https://doi.org/10.1038/s41566-024-01549-1}