Kan Photonics Moore’s Wet Alive Houden?

Moore’s wet zegt dat het aantal transistors in een geïntegreerde schakeling ongeveer om de twee jaar toeneemt, samen met de rekenkracht van computers. Dit principe is sinds 1965 grotendeels correct gebleken. Echter, men kan aannemen dat Gordon E. Moore, medeoprichter van Intel, nooit heeft overwogen dat chips hun miniaturisatiebeperkingen zouden bereiken, waardoor de rekenkracht achterbleef.

Gelukkig heeft een team van ingenieurs van de Universiteit van Californië een novate methode ontwikkeld die photonics gebruikt om meer rekenkracht te bieden zonder in te boeten aan grootte. Hieronder volgt wat u moet weten.

Verklein ’em

De wereld is al op zoek naar manieren om computers te verkleinen sinds hun uitvinding. Sommige van uw grootouders herinneren zich misschien nog dat computers een hele kamer en veel mensen nodig hadden om te werken. Tegenwoordig biedt uw smartwatch meer rekenkracht dan deze reuzen, en dat is alleen het topje van de ijsberg op het gebied van microcomputing. De reis van een hele kamer naar de micro-elektronica van vandaag is een spannende geweest, vol experimenten, ontdekkingen en soms mislukkingen.

Fysieke en kostentechnische beperkingen

Er is een punt waarop het produceren van dergelijke microscopisch kleine componenten kostentechnisch niet haalbaar is. Volgens de meeste onderzoekers heeft de markt dit punt bereikt. Bovendien zijn de rekenwinsten niet in overeenstemming met Moore’s wet, aangezien de kleinere chips geen rekenkracht kunnen bieden die evenredig is met hun grotere tegenhangers.

Als gevolg hiervan ontstaat er een groeiende kloof tussen de beschikbare rekenkracht en wat nodig is, waardoor sommige bekende spelers op de markt, zoals de CEO van Nvidia, Jensen Huang, stellen dat Moore’s wet dood is en dat applicatiespecifieke processors de toekomst zijn.

Vraag naar krachtige computers

De plotselinge groei van kunstmatige intelligentie en machine learning-systemen heeft de vraag naar krachtige computing- en cloud-platforms verhoogd. Deze vraag is de prestaties van chipontwerp voorbijgestreefd, waardoor een bottleneck in de AI-ontwikkelingssector ontstaat die innovatie beperkt. Nu is de race begonnen om een oplossing te vinden die kan voldoen aan de eisen van de huidige krachtige computers en AI-systemen.

Oplossingen voor rekenkracht

Sommige analisten geloven dat een oplossing is om speciale chips te creëren die de logica en verwerking op dezelfde chip hebben. Deze aanpak helpt om latentie en energieverbruik te verminderen en prestaties te verbeteren. Echter, de rekenbeperkingen maken het nog steeds onideaal wanneer het gaat om massive AI-gegevensvereisten.

Geheugensystemen

Een andere oplossing die onderzoekers enthousiast maakt, is geheugensystemen. Deze methode van opslag gebruikt een snelle toegang tot RAM in plaats van een draaiende harde schijf. Specifiek wordt RAM vanuit een netwerk van computers ingesteld met behulp van middleware-software om het geheugen in parallel te laten werken. Deze methode van opslag is 5000 keer sneller dan traditionele methoden, maar kan nog steeds niet voldoen aan Moore’s wet.

Photonics

Photonics is een andere methode van krachtige computing die onderzoekers interesseert. Photonics werkt door lichtgolven te detecteren met elektronica. De wetenschap draait om het genereren en controleren van licht terwijl het door een matrix van programmeerbare optische gewichten gaat.

Deze gewichten integreren een 2D-array van niet-vluchtige optische modulators die het mogelijk maken om een lineaire transformatie uit te voeren op een vector van optische ingangen. Deze strategie biedt snellere schakelsnelheden dan RAM-computermethoden.

Huidige beperkingen van photonics

Sommige van de nadelen van photonics in computing zijn dat de huidige systemen alleen ongeveer 1000 keer kunnen worden herschreven. Deze beperkte levensduur maakt ze een dure optie. Bovendien hebben de optische gewichten een lage opslagdichtheid en is programmeren trager dan traditionele chips.

Fotonische computersystemen komen in verschillende vormen en ontwerpen. Echter, deze systemen vereisen gespecialiseerde productieprocessen die veel duurder zijn dan hun tegenhangers. Ondanks de kostentechnische beperkingen geloven veel onderzoekers dat photonics de toekomst van computing is en dat Wright’s wet de sleutel is tot de implementatie.

Wright’s wet

Er is ook Wright’s wet, die een rol zal blijven spelen in onze mogelijkheid om halfgeleiders te verbeteren. Deze wet is een productieprincipe dat werd voorgesteld door de luchtvaartingenieur Theodore Paul Wright. Terwijl hij werkte in een vliegtuigfabriek, merkte hij op dat de arbeidsvereisten met 15% afnamen toen de productieprocessen werden verbeterd, zelfs toen de productieniveaus toenamen.

Deze kostenbesparingen kwamen voort uit verbeterde processen, technologie, herstelsystemen en andere upgrades die tijdens de productie werden gemaakt. Als zodanig geloven veel analisten dat Wright’s wet zal helpen om photonics een meer beschikbare en minder dure optie te maken in de toekomst.

U kunt Wright’s wet al zien gebeuren in de AI-sector. Een paar jaar geleden zou het onmogelijk zijn geweest voor een gemiddelde persoon om toegang te krijgen tot of een AI-systeem te bedienen. Het creëren van AI-modellen, beheren en upgraden was gewoon te duur. Bovendien had niemand een betrouwbare manier bedacht om de AI te laten communiceren met mensen.

Echter, sinds programma’s zoals ChatGPT op de markt kwamen, kan iedereen nu gebruikmaken van deze krachtige tools om hun efficiëntie en creativiteit te verbeteren. Deze systemen integreren grote taalmodellen die het voor iedereen gemakkelijk maken om ze te bedienen vanuit eenvoudige chat-prompt. Deze ontwikkeling zorgde voor een enorme toename van de adoptie van AI, waardoor de huidige rekenkrachttekorten ontstonden.

Fotonica-onderzoek

De studie “Integrated non-reciprocal magneto-optics with ultra-high endurance for photonic in-memory computing“¹ gepubliceerd in het tijdschrift Nature Photonics, onthult een nieuwe methode van optische computing die de markt kan revolutioneren. De studie gaat in detail in op het coderen van optische gewichten voor in-memory fotonische computing.

Source – Nature

De onderzoekers kozen ervoor om magneto-optische geheugencellen en een resonantie-gebaseerde fotonische architectuur te gebruiken om hun computationele doelen te bereiken. De strategie steunt op niet-reciproke faseverschuiving in magneto-optische materialen als middel om fotonische in-memory computing te implementeren.

Een nieuw wiskundig model stelde het team in staat om magneto-optische materialen te testen. Ze ontdekten dat cerium-gesubstitueerd yttriumijzergraniet (YIG) het mogelijk maakte om een extern magnetisch veld te gebruiken om de voortplanting van licht te controleren. Dit gecontroleerde licht kon vervolgens worden gebruikt om berekeningen uit te voeren.

De studie demonstreerde hoe kleine magneten gegevens efficiënt kunnen opslaan en toegang kunnen krijgen met een bliksemsnelle snelheid.

Het proces van coderen van de magneten werkt door de eenheidsmagnetische domeinsterkte in te stellen. Om het apparaat te bedienen, moeten elektronische signalen worden omgezet in het optische domein met behulp van electro-optische (E/O) modulators voor programmeren en opslag. Vervolgens worden de differentiële optische signalen omgezet in een elektrisch signaal door gebalanceerde fotodetectors (BPD’s), zodat de CMOS-logica het kan verwerken samen met de SRAM.

Fotonica-test

Om hun niet-vluchtige magneto-optische geheugencel te testen, stelde de onderzoeker verschillende benaderingen op. Ze begonnen met een 2-bit elektrische ingang die het mogelijk maakte om twee positieve en twee negatieve optische gewichten te bereiken. Vervolgens werd het magnetisch veld gemanipuleerd om veranderingen te monitoren.

Cerium-gesubstitueerd Yttriumijzergraniet (YIG),

Een 500-nm-dikke enkelkristallijne YIG werd in een laboratorium gekweekt met behulp van een radiofrequentiesputtermethode bij 750 °C voor de testfase. Specifiek koos het team ervoor om een wafer met een ringradius van 35 µm te gebruiken. Bovendien werd een 10-nm-dunne siliciumoxide-laag geïntegreerd als een manier om de siliciumlaag te scheiden van de Ce: YIG-laag.

Fotonica-programmering

Het programmeren van de toestand van de geheugencel vereist een radiale in-plane magnetisch veld dat wordt geleverd door een geïntegreerde gouden elektromagneet. Het systeem kan elektronisch meten hoe de optische verliesveranderingen afhankelijk zijn van de richting en het magnetisch veld dat wordt toegepast via een ferromagnetische dunne film.

Deze opstelling creëert een programmeerbare, niet-vluchtige magnetisch veld, waardoor ingenieurs een niet-reciproke optische faseverschuiving kunnen induceren in de geheugencel. Opvallend is dat de studie zowel de clockwise (CW) als de counterclockwise (CCW) modi van een micro-ringresonator heeft gedocumenteerd als een middel om computationele gegevens te programmeren en te benaderen.

Fotonica-levenscyclus

Het testen van de levenscyclus van het geheugen was een andere stap. Het team programmeerde een willekeurige functiegenerator die cycled tussen schrijf- en wis-pulsen als onderdeel van hun aanpak. Het systeem werd aangepast bij een snelheid van 10 kHz. De ingenieurs gebruikten vervolgens een amplitude van ±5 V en een pulsbreedte van 500 ns om real-world herschrijven te simuleren. De resultaten waren verbluffend.

Fotonica-resultaten

De testresultaten toonden aan hoe deze nieuwe methode van photonics de computing kan veranderen. Ten eerste toonde het nieuwe systeem aan dat het bijna onbeperkte herschrijfcapaciteiten heeft. Specifiek werden 2,4 miljard programmeringscycli bereikt.

Bovendien ontdekten de ingenieurs dat het gebruik van niet-reciproke faseverschuivingen in magneto-optische materialen het mogelijk maakt om deze snel en efficiënt te programmeren. De gegevens toonden aan dat een programmeringssnelheid van ~1 GHz mogelijk was. Bovendien bereikten het team niet-vluchtigheid, multi-level encoding die de huidige methoden overtreft. Als gevolg hiervan kan dit onderzoek de computermarkt revolutioneren.

Fotonica-voordelen

Er zijn verschillende voordelen die de fotonica-studie een game-changer maken. Ten eerste kan het nieuwe systeem complexe operaties uitvoeren die een enorme rekenkracht vereisen. Deze systemen zijn ideaal voor AI- en ML-operaties die matrix-vectorvermenigvuldiging en andere geavanceerde wetenschappen vereisen.

Verlaagde latentie

De wetenschappers ontdekten dat photonics hogere snelheden biedt in vergelijking met traditionele opties. De testfase onthulde 1 ns-geheugentoegang. Deze snelheid is 100 keer sneller dan eerdere fotonica-apparaten, waardoor een nieuw niveau van innovatie mogelijk wordt.

Lagere energieverbruik

Energie-efficiëntie is een ander voordeel dat het fotonica-systeem naar de markt brengt. Dit systeem kan geheugen opnieuw programmeren en toegang krijgen tot een fractie van de energieverbruiksvereisten van andere opties. Het team bereikte een efficiëntie van 143 fJ per bit, waardoor de vereisten van het nieuwe systeem 1/10 van de andere fotonica-opties zijn.

Opnieuw te programmeren

Een van de grootste voordelen van het fotonica-onderzoek is de ontdekking dat deze apparaten een bijna eindeloze herschrijfcyclus hebben. Geen enkele andere computergelopslagoptie biedt gebruikers de mogelijkheid om gegevens +2Bx te herschrijven. Als gevolg hiervan kan dit wetenschappelijk onderzoek een significante invloed hebben op gegevenscentra.

Fotonica-onderzoekers

Het fotonica-onderzoek werd geleid door Santa Barbara, John Bowers, en Galan Moody. Paolo Pintus, Nathan Youngblood, Yuya Shoji en Mario Dumont speelden ook cruciale rollen in het onderzoek en de ontwikkeling van het fotonica-systeem. Nu zal het team proberen hun onderzoek uit te breiden naar andere materialen om de beste optie te vinden om de AI-revolutie van morgen te laten werken.

Bedrijven die kunnen profiteren van het fotonica-onderzoek

Er zijn verschillende bedrijven die dit onderzoek kunnen gebruiken om hun producten en diensten te verbeteren. Cloud-computingnetwerken en gegevenscentra zijn twee voor de hand liggende sectoren die een grote omzetstijging zullen zien als ze deze technologie kunnen implementeren. Hieronder volgt een bedrijf dat perfect is gepositioneerd om deze informatie te gebruiken.

Snowflake

Snowflake (SNOW ) trad in 2012 de cloud-computingmarkt binnen. Het is gevestigd in Montana en werd opgericht door Benoît Dageville, Thierry Cruanes en Marcin Żukowski om high-performance cloud-computing aan de markt te bieden. Vandaag speelt Snowflake een cruciale rol in het mogelijk maken van bedrijven om gegevens op te slaan, te migreren en te verwerken in de cloud.

Snowflake wordt door velen gezien als een topaandelenkeuze vanwege hun toewijding aan innovatie, state-of-the-art-diensten en positioning. Het bedrijf maakte onlangs het nieuws vanwege hun One Million Minds + One Platform-initiatief, dat ertoe strekt om miljoenen werknemers te trainen op AI tegen 2029.

Snowflake is een van de meest gerenommeerde namen in de cloud-computingsector. Momenteel verwerkt het meer dan 4,2 miljard queries per dag en heeft het meer dan 10.000 klanten, waaronder 800 bedrijven die de Forbes-lijsten hebben gehaald. Deze steun en klantenbasis kunnen de interesse in de aandelen van het bedrijf stimuleren.

Als Snowflake in staat zou zijn om een fotonica-opslagsysteem in een gegevenscentrum te implementeren, zou het een enorme ROI kunnen behalen. Het systeem zou minder ruimte in beslag nemen, minder energie verbruiken en veel minder warmte produceren. Bovendien zou het een onbeperkte herschrijfleven hebben en minder latentie kunnen bieden aan zijn klanten. Dit zou de omzet kunnen verhogen.

Fotonica – het gebruik van licht om computing naar het volgende niveau te tillen

Fotonica kan zijn wat de wereld nodig heeft om een nieuw niveau van computationele kennis te ontgrendelen. Deze technologie biedt de duurzaamheid en levensduur die ingenieurs vandaag zoeken. Als gevolg hiervan wordt dit onderzoek door velen gezien als cruciaal voor de AI-beweging. Al deze factoren maken dat de fotonica-computingbeweging precies op tijd is.

Leer over andere interessante computingprojecten hier.

Studie-referentie:

^{1. Pintus, P., Dumont, M., Shah, V., et al. (2025). Integrated non-reciprocal magneto-optics with ultra-high endurance for photonic in-memory computing. Nature Photonics, 19(1), 54–62. https://doi.org/10.1038/s41566-024-01549-1}