人工知能

光ファイバーでAIをトレーニングする：光ベースの飛躍

Published June 26, 2025

Updated May 29, 2026

Jonathan Schramm

Securities.io maintains rigorous editorial standards and may receive compensation from reviewed links. We are not a registered investment adviser and this is not investment advice. Please view our affiliate disclosure.

光ファイバーがAIコンピューティングにおいて電気に取って代わる可能性

Since the early days of コンピューティング, almost all computers have been based on calculations using electricity in one way or another, from antique vacuum tubes to modern nanometer-scale silicon chips.

As silicon chips get smaller and smaller, researchers have been looking at new ways to build computers that could push our capacity further than silicon chips, a topic we explored in “トップ10ノンシリコンコンピューティング企業”。

These methods include using different materials, like carbon carbide, vanadium dioxide, organic materials, or graphene, for example. Another way is to change how computing is done, moving away from the binary programming of electricity-based computing, which includes quantum computing and photonics.

Photonics uses light instead of electricity to encode and transfer information. However, until now, it has still been ultimately converted into a binary signal, failing to form a purely light-based form of computation.

This has changed with the work of researchers at the Tampere University (Finland) and Université Marie et Louis Pasteur (Besançon, France). They used optical fiber for ultrafast calculations and published their findings in the scientific journal Optics Letters¹, under the title “Limits of nonlinear and dispersive fiber propagation for an optical fiber-based extreme learning machine”.

従来の電子システムによるAIトレーニングの限界

AIのトレーニングとデータ処理は効率面で限界に近づいており、AI計算はエネルギー消費とデータ処理速度によってますます制約されています。

対照的に、光ベースの計算は何千倍もの高速化が可能で、データを極小のエネルギー差としてエンコードできるため、効率が向上します。しかし、これまで光を直接用いた計算は実施されていません。

研究者の取り組みでは、ニューラルネットワークに触発された Extreme Learning Machine（ELM）と呼ばれる特定の計算アーキテクチャが使用されました。

ELM の利点の一つは、トレーニングデータをワンステップで学習でき、比較的シンプルなアルゴリズムであることです。

一般的に、ELM は複数層のAIトレーニングを要する高度に複雑なタスクには向かないとされていますが、視覚認識のような特定タスクにおいては非常に高い性能と効率を発揮します。

研究者が光ファイバーを使用して画像をエンコードした方法

研究者はフェムト秒レーザーパルス（カメラのフラッシュの10億分の1の長さ）と、人間の髪の毛のごく一部以下の領域に光を閉じ込める光ファイバーを用いて、光学的ELMシステムを構築しました。

レーザーパルスは非常に短く、多数の異なる波長や色を含むことができ、豊富なデータセットを生成します。

その後、これらのデータを画像に基づく相対遅延としてエンコードし、光ファイバーに送信しました。

フェムト秒レーザーパルスを用いた光ファイバーシステムでの画像データ光エンコードを示す図

出典: Tampere University

AI処理における非線形光学の役割

このデータエンコード方式は、光とガラスの非線形相互作用によって変換されました。

線形光学は、光がプリズムなどと直接相互作用する、学校で教えられる通常の光学です。

非線形光学では、光が通過する媒質の反応は光の波長、強度、方向、偏光に依存します。

非線形光学部品は、異なる周波数の光子を結合させ、新たな周波数の光子を生成させることができます。

“従来の電子回路やアルゴリズムを使用する代わりに、強光パルスとガラスの非線形相互作用を利用して計算が実現されます。”
Mathilde Hary and Andrei Ermolaev – Post-Doctoral Researchers

非線形相互作用と Extreme Learning Machine（ELM）アルゴリズムにより、AIは手書き数字（人気の MNIST AI ベンチマークで使用されるもの）の分類を学習できました。

出典: Optics Letters

最高のシステムは 91% 超の精度に達し、最先端のデジタル手法に近い結果を示しました。

この結果が特筆すべきは、1 ピコ秒未満、すなわち 1 兆分の 1 秒（0.000000000001 秒）で達成された点です。

理想的な最適化

最高の結果は、非線形相互作用や複雑性の最大レベルで得られたわけではありません。

むしろ、光ファイバーの長さ、分散（異なる波長間の伝搬速度差）、および出力レベルの微妙なバランスが必要でした。

“性能は単に光ファイバーにより多くの電力を流すことだけで決まるわけではありません。光が最初にどれだけ正確に構造化されているか、すなわち情報がどのようにエンコードされ、光がファイバー特性とどのように相互作用するかに依存します。”
Mathilde Hary – Post-Doctoral Researcher

光ファイバーコンピュータはAIの未来か？

光だけでAIをトレーニングすることは、従来のすべての手法からの根本的な転換です。すべてのデータタイプに適用できるわけではありませんが、適用可能なケースではエネルギー効率が1000倍、速度が最大で100万倍向上する可能性があります。

“我々のモデルは、分散、非線形性、さらには量子ノイズが性能に与える影響を示しており、次世代ハイブリッド光電子AIシステム設計に不可欠な知見を提供します。”
Andrei Ermolaev – Post-Doctoral Researcher

おそらくこのアプローチは、特定のタスク向けにカスタム設計された非線形光ファイバーハードウェアにAI計算の一部を委譲することを意味します。そのため、視覚識別のような反復タスクが新規データ処理よりも適した候補となります。

“本研究は、非線形光ファイバー光学の基礎研究が計算への新たなアプローチを促進できることを示しています。物理学と機械学習を融合することで、超高速かつエネルギー効率の高いAIハードウェアへの新たな道を切り開いています。”
Andrei Ermolaev – Post-Doctoral Researcher

潜在的な応用例は、リアルタイム信号処理から環境モニタリング、高速AI推論まで多岐にわたります。

しかしながら、この研究はまだ技術の基本原理の実証段階にあり、商業化には程遠い状況です。

それでも、光は根本的な物理的理由により一部のコンピューティング用途で電気より優れるため、フォトニクスは今後ますますコンピューティング業界の重要な要素になると考えられます。