シリコンから光へ: 次世代AIハードウェア波

人工知能（AI）がますます普及し、性能が向上するにつれて、速度とエネルギーへの欲求も高まっています。より高速で、より賢く、より効率的なシステムが求められる中、研究者は根本的な代替手段として光コンピューティングの探索に乗り出しました。

電子を使用する従来のプロセッサとは異なり、光コンピューティングは光子、すなわち光の粒子を用いて情報を伝達・処理します。この転換により、2つの重要な利点が得られます。

まず、光子は非常にエネルギー効率が高いです。電子に比べてはるかに少ない熱しか発生せず、電子は大量の熱を生み出すため性能が制限され、データセンターでは大規模で高価な冷却システムが必要になります。

次に、光は電流よりはるかに速く伝搬するため、操作が劇的に高速化します。光信号はより多くの情報を運ぶことができ、よりクリーンで高速なコンピューティングへのシンプルな道筋を提供します。

その結果、光子コンピューティングへの関心が高まっています。この技術は実験室で有望な結果を示しており、大手企業からの大規模な投資も集めています。

しかし、実験室での成功を実用的な光子デバイスに転換することはかなり困難であることが判明しています。そのためにはまずいくつかのハードルをクリアしなければなりません。光子は自然に相互作用しないため、コンピューティングの基礎である光ロジックゲートの構築が難しくなります。さらに、この技術はまだ研究段階にあり、何十年もの商業化により蓄積された電子チップ製造の成熟度やスケールメリットがありません。

さらに、コストやサイズ、低い変調速度が既存の光学セットアップの多くを制限しています。

新たな研究は、いくつかの制限を克服するための大きな一歩として、新しい光エンジンを開発しました。このエンジンは、速度、効率、コンパクトさを1つのチップ上で組み合わせています。

清華大学の研究者は、前例のない低レイテンシで特徴抽出を実行できる画期的な光コンピューティングシステムを開発しました。これにより、AI処理が革命的に変わる可能性があります。

電気ではなく光を使用してデータを処理することで、レイテンシを最小限に抑えつつ計算を大幅に高速化でき、リアルタイムAIへの大きな飛躍となります。

この新システムの中心には、半導体光増幅器（SOA）をベースとしたマッハ・ツェンダー干渉計（SOA-MZI）があります。

SOAは、誘導放出により光信号を直接増幅するコンパクトなデバイスです。一方、MZIは最も古い光学装置の一つで、異なる長さの2本の導波路で接続された2つのカプラからなる基本的な導波路干渉装置です。

現在、SOA-MZI構成は光がディープラーニングの基礎となる作業を実行できるようにします。情報はここで処理され、パターンやエッジといった特徴が光信号内で検出され、電気に変換し直すことはありません。

さらに、デバイスでは波長分割多重（WDM）方式が使用されています。この方式は光を色のスペクトルに分割し、各色が独自のデータストリームを運びます。WDMを活用することで、チップは多数の計算を並列に実行でき、スループットが向上します。

実験室でテストしたところ、エンジンはチャンネルあたり最大10ギガビット毎秒（Gbps）の速度でデータを処理し、レイテンシはわずか数十ピコ秒（ps）でした。参考までに、1psは1,000フェムト秒、すなわちナノ秒の千分の一に相当します。

これらの結果は、エンジンがあらゆる電子プロセッサが達成できる可能性のある速度をはるかに上回っていることを示しています。

この速度が意味するのは、システムがリアルタイムで情報を処理できることであり、高頻度取引、医療画像、ロボット手術、あるいは自律走行車といった用途に最適です。これらのアプリケーションは、生データから高速で重要な特徴を抽出するAIの能力に依存しているため、ミリ秒単位でも大きな意味を持ちます。

画期的な成果: 清華大学の光エンジンとリアルタイムAI

ムーアの法則は、マイクロチップ上のトランジスタ数が約2年ごとに倍増すると述べています。これにより、計算性能が向上し、コストが低減し、全体的にデバイスが小型化します。

半導体業界のイノベーションを牽引してきたこの傾向は、今や終わりに近づいているようです。数ナノメートルのサイズまで縮小したトランジスタは、シリコンベース技術の物理的限界に近づいています。

小型化に伴い、電子トンネリングやリーク電流が増加し、エネルギー消費と熱生成が増大します。また、最先端マイクロチップの製造コストは急騰しています。一方、シリコン自体も性能とスケーラビリティの限界に達しつつあります。

そのため、研究者や企業はチップレット、システム・イン・パッケージ（SiP）、不揮発性メモリ、量子コンピューティング、バイオコンピューティング、そしてもちろんフォトニクスといった代替ソリューションの探索を進めています。

これらの代替手段の中で、フォトニクスはAIアプリケーションに特に有望です。光の力を利用することで、機械学習（ML）モデルが基礎となる問題をより適切に表現できるよう、簡略化された数値特徴の集合に変換するプロセスである特徴抽出を大幅に高速化できます。

特徴抽出とは、生データを機械学習（ML）モデルが基礎となる問題をより適切に表現できるよう、簡略化された数値特徴の集合に変換するプロセスです。この手法はデータの複雑性を低減し、最も関連性の高い情報を抽出することで、MLアルゴリズムの性能と効率を向上させます。

光は特徴抽出を高速化できますが、高速光学計算のために安定したコヒーレント光を維持することは極めて困難です。

この課題に取り組むため、清華大学の研究者は第2世代光特徴抽出エンジン（OFE2）を開発しました¹。OFE2は多数の実用的なアプリケーション向けに光特徴抽出を実行できます。統合されたオンチップシステムは、チューニング可能なパワースプリッタと高精度のディレイラインを使用して、安定した並列光信号を提供します。

システムは、入力信号を複数の同期光波にサンプリングすることで、受信データストリームをデシリアライズし、並列かつリアルタイム処理を可能にします。

これらの光波は次に回折演算子を通過します。回折演算子は微小なプレート状構造で、光が伝搬する際に計算を行います。この操作は、データの変換・処理に使用される基本的なAI演算である行列ベクトル乗算を模倣しています。

回折した光が出力で焦点化された「明るいスポット」を生成する仕組みは、この操作の根本であり、平行入力光の位相を調整することで光を特定の出力ポートへ部分的に偏向させることができます。この出力パワーの変動とそれに伴う変化により、エンジン（OFE2）は入力信号の時間的変動の特徴を捉えることが可能になります。

OFE2は12.5 GHzという光コンピューティングの記録的な速度で動作し、単一の行列ベクトル乗算を250.5 ps以内に実行できます。これは、同様の光コンピューティング実装の中で最も低いレイテンシです。

「我々は本研究が、実世界のアプリケーションで10 GHzを超える統合光回折コンピューティングの進展に向けた重要なベンチマークを提供すると確信しています。」

– 清華大学のチームと共に本研究を実施した陳宏偉教授

チームはさまざまなタスクにおいてシステムの高い能力を実証しました。

デジタルトレーディングタスクでテストしたところ、OFE2は印象的な結果を達成しました。トレーダーがリアルタイムの価格シグナルをOFE2に入力すると、最適に構成されたエンジンが出力シグナルを生成し、これが直接買いまたは売りの判断に変換され、光速で動作するため遅延が最小限に抑えられ、安定した収益性が得られます。

チームはさらにOFE2を用いて画像処理も行い、エンジンは入力画像からエッジ特徴を抽出し、レリーフやエングレービング効果に似た2つの補完的な特徴マップを作成しました。OFE2が生成した光学的特徴は画像分類で大幅に優れ、セマンティックセグメンテーションにおけるピクセル精度も向上し、例えばCTスキャンでの臓器識別などに役立ちました。

さらに重要なのは、AIシステムがOFE2を使用することで、必要な電子パラメータが減少し、光前処理が軽量で効率的、かつ低コストなハイブリッドAIシステムを実現する可能性を示すことです。ハードな処理は光前処理が担い、AIモデルは学習と解釈に専念できます。

これらの結果は、最も負荷の高い計算を電子からフォトニクスへ移行できることを示唆しており、リアルタイムAIモデルの未来を切り開きます。

研究者によれば、同デバイスは膨大なデータストリームを極めて少ないエネルギー損失で処理でき、負荷がかかっても信号の完全性を維持します。

「本研究で示された進歩は、統合光回折演算子をより高い速度へと押し上げ、画像認識、支援医療、デジタル金融などの計算集約型サービスを支えるものです」と陳氏は述べました。「データ集約型の計算ニーズを持つパートナーとの協業を楽しみにしています。」

シリコンフォトニクスで光速コンピューティングが可能になる方法については、ここをクリックしてください。

フォトニクスで計算を再構築する世界的競争

スワイプしてスクロール →

清華大学の進展は、より大規模な世界的シフトの一部です。世界中の科学者が光に転換することで電子ボトルネックを克服しようと競っています。

今年初め、中国の別チームが自社のチップを発表しました。このチップは光を利用してプロセッサを同期させ、次世代の通信と高速AIコンピューティングを実現できる可能性があります。

従来のチップは電子発振器でクロック信号を生成し、主に1つのクロック速度で動作するため、異なるアプリケーションには異なるチップ製造技術が必要です。中国・北京大学が率いる国際的な科学者グループが設計した新チップは、「光を媒体として光子でクロック信号を生成」します。

彼らは「オンチップマイクロコンブ」を開発し、単一周波数および広帯域信号を合成して、システム内の電子機器に参照クロックを提供できます。

「チップ上にレースコースのようなリングを構築することで、光は光速で連続的に『走る』ことができます。各ラップの時間がオンチップクロックの基準として使用されます」と、北京大学情報通信技術研究所の助教であるチャン・リン主任著者は述べました。「ラップは数十億分の一秒程度で完了するため、クロックは超高速で時間を制御できます」

新技術を搭載したチップは、さまざまなマイクロ波周波数帯域をカバーできます。

チームは100 GHzを超えるクロック速度を達成し、安定性の課題を解決し、パッケージングプロセスを最適化しながら、8インチウェハ上で何千もの同一チップを製造できると述べました。

別の国際的な研究チームは、フォトニクスを通じてムーアの法則の限界に取り組もうとしましたが、磁気光学材料を利用しました。

この材料はセリウム置換イットリウム鉄ガーネット（YIG）で、外部磁場に応じて光学特性が動的に変化します。

微小磁石を用いてデータを保存し、材料内部で光の伝達を制御することで、研究者は新しいタイプの磁気光学メモリを開拓しました。

本研究によれば、この新しいメモリクラスは、先進的なフォトニック統合技術の100倍の切替速度を持ち、消費電力は約1/10で、23億回以上の再プログラミングが可能であり、実質的に無限の寿命を意味します。

一方、米国ではMITの科学者たちが、チップ上でAI計算をすべて光学的に実行できるフォトニックプロセッサを実証しました。

彼らの光学デバイスは、ML分類タスクの主要計算を0.5ナノ秒未満で完了し、92％の精度を達成しました。

彼らの研究では、光子が容易に相互作用しないことに起因するエネルギー集約的な光学非線形性の活性化を解決すべく、非線形光学機能ユニット（NOFU）を設計しました。NOFUは光学とエレクトロニクスを組み合わせ、チップ上で非線形演算を統合します。

大学が概念実証の光チップを示す一方で、大手テック企業も遅れてはいません。これらの原理が商用AIシステムをより高速かつ環境に優しいものにする方法を積極的に探求しています。

Microsoftの研究者は、カメラセンサーとマイクロLEDを使用した光ベースのコンピュータを詳述し、AIを100倍効率的にすることを示しました。

同テックジャイアントのプロトタイプであるアナログ光コンピュータ（AOC）は、問題を何度も計算し、毎回改善を重ねて「定常状態」に到達します。

「AOCが提供する最も重要な点は、エネルギー効率が約100倍向上すると見積もっていることです」と、MicrosoftのAI研究者である共同著者Jannes Gladrowは同社のブログ投稿で述べました。「ハードウェアでは前例のないことです」

同時に、チームは物理的AOCの計算を模倣し、変数や計算の複雑さを拡張できる「デジタルツイン」モデルをプログラムしました。このモデルにより、チームは「現在の装置が対処できる以上の大規模な問題に取り組む」ことが可能になると、Microsoft Health Futuresのバイオメディカル信号処理シニアディレクター、Michael Hansenは述べました。

このコンピュータはすでに、MRI画像再構成、金融取引の照合、シンプルなAI推論などのタスクを処理できます。

AOCをテストするため、チームはまず画像分類というシンプルなタスクを与えました。物理的AOCはデジタルコンピュータと同等のレベルで実行しました。その後、デジタルツインを用いて元データの62.5％だけで脳スキャン画像を再構築し、正確に実現しました。研究者はこの成果がMRI時間の短縮につながると考えています。

AOCは金融問題の解決にも使用され、現在の量子コンピュータよりも高い成功率を示しました。

IBMとのインタビューで、Microsoft Research Cambridgeの主任研究員Francesca Parmigianiは、同システムが「デュアルドメイン機能」を持ち、同一ハードウェアで2種類のタスクを実行できると述べました。これは、両方の問題解決方法を結びつける固定小数点探索を活用することで実現されています。

「最も興奮するのは、同じハードウェア上でAIと最適化の両方のワークロードをすでに実行できることです」と彼女は語りました。「まだ小規模ですが、重要な第一歩です」

IBM自体は計算を行うのではなく、情報を高速で転送するために光子を活用しています。「AIアプリケーション向けに、非常に高密度でデータを光で送信しています」とIBMリサーチの研究科学者Jean Benoît Hérouxは述べました。彼らはチップ、メモリ、基板間でデータを転送するフォトニックリンクの開発に取り組んでいます。

フォトニクスコンピューティングへの投資

フォトニクスコンピューティングへの勢いが、より高速なAI計算の需要の中で大手テック企業の注目を集める中、AIの人気企業であるNVIDIA (NVDA ) も、ハードウェアをさらに進化させるためにフォトニックインターコネクトと光ネットワーキングの統合方法を模索しています。

GPU主導のAI革命をリードしつつ、NVIDIAは従来のチップアーキテクチャの帯域幅ボトルネックを克服するため、光データ伝送の研究を進めています。

今年初め、同社は共包装光学（CPO）を備えたフォトニックスイッチを発売し、従来のネットワークと比較してネットワークの回復力を10倍、電力効率を3.5倍、導入時間を1.3倍高速化しました。

同チップメーカーの株式パフォーマンスについて、今週同社は時価総額5兆ドルを突破した初の企業となり、株価は212ドルを超えて新たな史上最高値（ATH）を記録しました。現在207ドルで取引され、年初来で54％以上上昇しています。

EPS（TTM）は3.51、P/E（TTM）は58.93です。配当利回り0.02％がNvidia株主に支払われています。

Nvidiaの財務状況に関して、同社は2026会計年度第2四半期の売上高が467億ドルと報告しました。総売上は前四半期比で6％増加し、データセンター売上は5％増の411億ドル、Blackwellデータセンター売上は前期比で17％急増しました。

結論

AI熱が世界中に広がる中、研究者も企業も電子を光子に置き換え、速度、スケーラビリティ、エネルギー効率の新たな世界を切り開こうと取り組んでいます。このAIインフラの再定義の試みで、清華大学の光エンジンの最近のブレークスルーは、光ベースのシステムが特定のタスクで電子系統に匹敵、あるいはそれを上回ることができることを示しています。

しかし、フォトニックコンピューティングはまだ試験段階です。フォトニックコンピューティングが成熟しコスト効果が得られれば、計算が光速で行われる時代の幕開けとなるでしょう。

光駆動チップがAIを100倍にブーストする方法については、ここをクリックしてください。

参考文献

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). 回折演算子に基づく高速・低レイテンシ光学特徴抽出エンジン. 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). フォトニックインメモリコンピューティング向けの超高耐久性統合非相互磁気光学. 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). 単一チップフォトニック深層ニューラルネットワーク（前方のみトレーニング）. 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). AI推論と組合せ最適化のためのアナログ光コンピュータ. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z}