Van silicium naar licht: de volgende AI‑hardwaregolf

Terwijl kunstmatige intelligentie (AI) steeds populairder en krachtiger wordt, groeit ook de honger naar snelheid en energie. De behoefte aan snellere, slimmere en efficiëntere systemen heeft onderzoekers ertoe gebracht een radicale alternatieve benadering te verkennen: optisch rekenen.

In tegenstelling tot traditionele processoren die elektronen gebruiken, maakt optisch rekenen gebruik van fotonen, of lichtdeeltjes, om informatie te verzenden en te verwerken. Deze verschuiving biedt twee cruciale voordelen.

Ten eerste zijn fotonen aanzienlijk energiezuiniger. Ze produceren veel minder warmte dan elektronen, die zoveel warmte genereren dat dit hun prestaties beperkt en grote, dure koelsystemen in datacenters vereist.

Ten tweede beweegt licht veel, veel sneller dan elektrische stromen, waardoor operaties dramatisch sneller kunnen verlopen. Optische signalen kunnen ook meer informatie dragen, wat een eenvoudige weg biedt naar schonere, snellere computers.

Als gevolg hiervan is er nu een groeiende interesse in fotonisch rekenen. De technologie toont veelbelovende resultaten in laboratoriumomgevingen en trekt aanzienlijke investeringen van grote bedrijven aan.

Het vertalen van dat laboratoriumsucces naar praktische fotonische apparaten blijkt echter behoorlijk moeilijk. Hiervoor moeten eerst verschillende obstakels worden overwonnen. Fotonen interageren niet van nature met elkaar, waardoor het moeilijk is om de optische logische poorten te bouwen die fundamenteel zijn voor rekenen. Bovendien bevindt de technologie zich nog in onderzoek, waardoor ze niet de volwassenheid en schaalvoordelen heeft die de productie van elektronische chips heeft dankzij decennia van commercialisatie.

Daarbij komen kosten, omvang en lage modulatiesnelheden die de meeste bestaande optische opstellingen beperken.

Een nieuwe studie heeft een grote stap gezet in het overwinnen van enkele beperkingen door een nieuwe optische motor te ontwikkelen, die snelheid, efficiëntie en compactheid op één chip combineert.

Onderzoekers van de Tsinghua Universiteit hebben een baanbrekend optisch systeem voor rekenen ontwikkeld dat kenmerkextractie uitvoert met ongekende lage latentie, wat de potentie heeft om AI‑verwerking te revolutioneren.

Het gebruik van licht in plaats van elektriciteit om gegevens te verwerken stelt de technologie in staat het rekenen aanzienlijk te versnellen terwijl de latentie wordt geminimaliseerd, een grote sprong richting real‑time AI.

In de kern van dit nieuwe systeem bevindt zich een op een halfgeleider‑optische versterker gebaseerde Mach‑Zehnder interferometer, ofwel SOA‑MZI.

Een SOA is een compact apparaat dat lichtsignalen direct versterkt via gestimuleerde emissie. Ondertussen is een MZI, een van de oudste optische instrumenten, een basaal golfgeleiderinterferentie‑apparaat dat bestaat uit twee koppelaars verbonden door twee golfgeleiders van verschillende lengtes.

Nu maakt de SOA‑MZI‑opstelling het mogelijk dat licht het werk uitvoert dat ten grondslag ligt aan deep learning. De informatie wordt hier verwerkt, en kenmerken zoals patronen en randen worden gedetecteerd in het lichtsignaal, zonder deze terug te converteren naar elektriciteit.

Bovendien wordt er een wavelength‑division multiplexing (WDM)‑methode door het apparaat gebruikt. Deze specifieke methode splitst licht in een spectrum van kleuren, waarbij elke kleur zijn eigen datastroom draagt. Het benutten van WDM stelt de chip in staat om veel berekeningen parallel uit te voeren, waardoor de doorvoersnelheid toeneemt.

Wanneer in het laboratorium getest, verwerkte de motor gegevens met snelheden tot wel 10 gigabit per seconde (Gbps) per kanaal met een latentie van slechts tientallen picoseconden (ps). Ter context: één ps is gelijk aan 1.000 femtoseconden of één duizendste van een nanoseconde.

Deze resultaten tonen aan dat de motor veel sneller is dan welke elektronische processor dan ook zou kunnen hopen te bereiken.

Wat deze snelheid betekent, is dat het systeem informatie in real‑time kan verwerken, waardoor het perfect is voor toepassingen zoals high‑frequency trading, medische beeldvorming, robotchirurgie of autonome voertuigen. Deze toepassingen vertrouwen op het vermogen van AI om belangrijke kenmerken uit ruwe gegevens te extraheren met hoge snelheid, dus zelfs milliseconden zijn van groot belang.

De doorbraak: de optische motor van Tsinghua en real‑time AI

De wet van Moore stelt dat het aantal transistors op een microchip ongeveer elke twee jaar verdubbelt. Dit leidt tot een toename van de rekenkracht, een daling van de kosten en over het algemeen kleinere apparaten.

Deze trend, die innovatie in de halfgeleiderindustrie heeft aangestuurd, lijkt nu ten einde te lopen. Nu ze zijn gekrompen tot slechts enkele nanometers, naderen de transistorformaten de fysieke grenzen van op silicium gebaseerde technologie.

Naast de kleinere afmetingen, die leiden tot elektrontunneling en lekstromen die het energieverbruik en de warmteproductie verhogen, is de kostprijs van de productie van geavanceerde microchips enorm gestegen. Ondertussen bereikt silicium zelf zijn prestatie- en schaalbaarheidslimieten.

Daarom hebben onderzoekers en bedrijven alternatieve oplossingen onderzocht, zoals chiplets, system‑in‑package (SiP), niet‑vluchtig geheugen, quantum computing, biocomputing en uiteraard fotonica.

Onder deze alternatieven toont fotonica bijzonder veelbelovend voor AI‑toepassingen. Door de kracht van licht te benutten, kan kenmerkextractie, een cruciale stap in machine learning, sterk worden versneld.

Kenmerkextractie is het proces waarbij ruwe gegevens worden omgezet in een vereenvoudigde set numerieke kenmerken die het onderliggende probleem beter weergeven voor machine‑learning (ML) modellen. Deze techniek vermindert de complexiteit van gegevens om de meest relevante informatie te extraheren, waardoor de prestaties en efficiëntie van ML‑algoritmen verbeteren.

Hoewel licht kenmerkextractie kan versnellen, is het behouden van stabiel, coherent licht voor snelle optische berekeningen buitengewoon uitdagend.

Om dit aan te pakken, hebben onderzoekers van de Tsinghua Universiteit een tweede‑generatie optische kenmerkextractie‑motor (OFE2) ontwikkeld die optische kenmerkextractie kan uitvoeren voor talrijke praktische toepassingen. Het geïntegreerde on‑chip systeem gebruikt afstelbare vermogenssplitters en precieze vertragingselementen om stabiele, parallelle optische signalen te leveren.

Het systeem deserialiseert de binnenkomende gegevensstroom door het ingangssignaal te bemonsteren in meerdere gesynchroniseerde lichtgolven die parallelle, real‑time verwerking mogelijk maken.

Deze lichtgolven gaan vervolgens door de diffractie‑operator, een microscopische plaatachtige structuur die berekeningen uitvoert terwijl licht erdoorheen voortplant. Deze bewerking weerspiegelt matrix‑vector vermenigvuldiging, een fundamentele AI‑bewerking die wordt gebruikt om gegevens te transformeren en te verwerken.

Hoe het gediffracteerde licht een gefocust ‘helder punt’ bij de uitgang creëert, is fundamenteel voor deze bewerking, aangezien het gedeeltelijk kan worden afgebogen naar een specifieke uitgangspoort door de fase van de parallelle invoerlichten aan te passen. Het is deze beweging in uitgangsvermogen, samen met de bijbehorende veranderingen, die hun motor, ook wel OFE2 genoemd, in staat stelt kenmerken van de variaties in het ingangssignaal in de tijd vast te leggen.

OFE2 werkt met een snelheid van 12,5 GHz, een record in optisch rekenen, en kan een enkele matrix‑vector vermenigvuldiging uitvoeren binnen 250,5 ps, wat de laagste latentie is onder vergelijkbare implementaties van optisch rekenen.

“We zijn er sterk van overtuigd dat dit werk een belangrijke benchmark biedt voor de vooruitgang van geïntegreerd optisch diffractie‑rekenen om een snelheid van meer dan 10 GHz in real‑world toepassingen te overschrijden.”

– Professor Hongwei Chen, die samen met zijn team aan de Tsinghua Universiteit dit onderzoek heeft uitgevoerd

Het team toonde de sterke capaciteiten van hun systeem aan in verschillende taken.

Bij een test voor een digitale handelsopdracht behaalde OFE2 indrukwekkende resultaten. Een handelaar voert real‑time prijssignalen in OFE2 in, en de optimaal geconfigureerde motor genereert uitgangssignalen die direct worden vertaald naar koop‑ of verkoopbeslissingen om stabiele winstgevendheid te bereiken met minimale vertraging, aangezien het systeem werkt met de snelheid van het licht.

Het team gebruikte OFE2 ook om beelden te verwerken, waarbij de motor randkenmerken uit invoerbeelden haalde en twee complementaire kenmerkkaarten creëerde die lijken op reliëf‑ en gravure‑effecten. De door OFE2 geproduceerde optische kenmerken presteerden veel beter bij het classificeren van beelden en verhoogden de pixel‑nauwkeurigheid in semantische segmentatie, bijvoorbeeld bij het identificeren van organen in computertomografie (CT) scans.

Belangrijker nog, wanneer AI‑systemen OFE2 gebruiken, hebben ze minder elektronische parameters nodig, wat het potentieel van optische voorverwerking aantoont om lichtere, efficiëntere en minder dure hybride AI‑systemen mogelijk te maken. Het zware werk wordt uitgevoerd door optische voorverwerking, terwijl de AI‑modellen zich kunnen richten op leren en interpretatie.

Deze resultaten suggereren dat de meest intensieve rekenlasten van elektronica naar fotonica kunnen worden verplaatst, waardoor een toekomst van real‑time AI‑modellen wordt ontgrendeld.

Volgens de onderzoekers kan hun apparaat enorme gegevensstromen verwerken met zeer weinig energieverlies, terwijl het zelfs onder belasting een goede signaalintegriteit behoudt.

“De vooruitgang die in onze studie wordt gepresenteerd, duwt geïntegreerde diffractie‑operatoren naar een hogere snelheid, wat ondersteuning biedt voor rekentijd‑intensieve diensten op gebieden zoals beeldherkenning, ondersteunde gezondheidszorg en digitale financiën,” zei Chen. “We kijken ernaar uit samen te werken met partners die data‑intensieve rekeneisen hebben.”

Klik hier om te leren hoe rekenen met de snelheid van het licht mogelijk wordt gemaakt met silicium‑fotonica.

De wereldwijde race om rekenen te heruitvinden met fotonica 

Veeg om te scrollen →

De vooruitgang van Tsinghua maakt deel uit van een grotere wereldwijde verschuiving. Wetenschappers over de hele wereld racen om de elektronische knelpunten te overwinnen door zich tot licht te wenden.

Eerder dit jaar onthulde een ander team uit China zijn chip, die licht gebruikt om processoren te synchroniseren en de volgende generatie communicatie en high‑speed AI‑rekenen zou kunnen ontgrendelen.

Traditionele chips genereren kloksignalen met behulp van elektronische oscillatoren, en ze werken vaak slechts op één primaire kloksnelheid, wat betekent dat verschillende toepassingen verschillende chip‑productietechnologieën nodig hebben. De nieuwe chip, ontworpen door de internationale groep wetenschappers onder leiding van China’s Peking University, gebruikt “licht als medium om kloksignalen via fotonen te genereren.”

Ze hebben een “on‑chip microcomb” ontwikkeld die enkel‑frequentie‑ en breedband‑signalen kan synthetiseren en referentieklokken kan leveren voor de elektronica in het systeem.

“Door een ring te bouwen die op een racecircuit op de chip lijkt, kan licht continu ‘rennen’ met de snelheid van het licht. De tijd van elke ronde wordt vervolgens gebruikt als standaard voor de on‑chip klok,” zei hoofdauteur Chang Lin, assistent‑professor aan het Institute of Information and Communication Technology van de Peking University. “Omdat een ronde enkele miljardsten van een seconde duurt, kan de klok de tijd reguleren met een ultra‑hoge snelheid.”

Voorzien van de nieuwe technologie kunnen chips verschillende microgolf‑frequentiebanden bestrijken.

Het team heeft een kloksnelheid van meer dan 100 GHz bereikt en heeft verklaard dat ze duizenden identieke chips kunnen produceren op 8‑inch wafers, terwijl ze stabiliteitsproblemen oplossen en de verpakkingsprocessen optimaliseren.

Een ander internationaal team van onderzoekers probeerde de beperkingen van de wet van Moore aan te pakken via fotonica, maar ze maakten gebruik van een magneto‑optisch materiaal.

Het materiaal is cerium‑vervangen yttrium‑ijzer‑garnet (YIG), waarvan de optische eigenschappen dynamisch veranderen als reactie op externe magnetische velden.

Door kleine magneten te gebruiken om gegevens op te slaan en de overdracht van licht binnen het materiaal te regelen, hebben de onderzoekers een nieuw type magneto‑optisch geheugen gecreëerd.

Deze nieuwe klasse geheugen, volgens de studie, heeft schakelsnelheden die 100 keer sneller zijn dan die van geavanceerde fotonische geïntegreerde technologie, verbruikt ongeveer een tiende van het vermogen, en kan meer dan 2,3 miljard keer worden geprogrammeerd, wat potentieel een onbeperkte levensduur betekent.

Ondertussen hebben wetenschappers van MIT in de VS een fotonische processor gedemonstreerd die alle AI‑berekeningen optisch op de chip kan uitvoeren.

Hun optische apparaat voltooide daadwerkelijk de sleutelberekeningen voor een ML‑classificatietaak in minder dan een halve nanoseconde met een nauwkeurigheid van 92 %.

In hun werk ontwierpen de wetenschappers niet‑lineaire optische functie‑eenheden (NOFUs) om de uitdaging van niet‑lineariteit in optica aan te pakken, die voortkomt uit het feit dat fotonen niet gemakkelijk met elkaar interageren, waardoor het energie‑intensief is om optische niet‑lineariteiten te activeren. NOFUs combineren optica en elektronica om niet‑lineaire bewerkingen op de chip te integreren.

Terwijl universiteiten hun proof‑of‑concept optische chips demonstreren, blijven grote technologiebedrijven niet ver achter; ze verkennen actief hoe deze principes commerciële AI‑systemen sneller en groener kunnen maken.

Microsoft‑onderzoekers beschreven een licht‑gebaseerde computer, die camerasensoren en micro‑LED’s gebruikt, om AI honderd keer efficiënter te maken.

De prototype analoge optische computer (AOC) van de tech‑gigant berekent een probleem talloze keren, en elke keer verbetert het totdat een “steady state” is bereikt.

“Het belangrijkste aspect dat de AOC levert, is dat we een verbetering van ongeveer honderd keer in energie‑efficiëntie schatten,” zei studiemedewerker Jannes Gladrow, AI‑onderzoeker bij Microsoft, in de blogpost van het bedrijf. “Dat alleen is ongehoord in hardware.”

Tegelijkertijd programmeerde het team een “digital twin”, een model dat de berekeningen van de fysieke AOC nabootst en kan worden opgeschaald om meer variabelen en nog complexere berekeningen aan te kunnen. Het model stelt het team in staat om “aan grotere problemen te werken dan het instrument zelf momenteel aankan,” merkte Michael Hansen, senior director of biomedical signal processing bij Microsoft Health Futures.

De computer kan al enkele taken aan, zoals MRI‑beeldreconstructie, financiële transactie‑matching en eenvoudige AI‑inferentie.

Om de AOC te testen gaf het team het eerst de eenvoudige taak om beelden te classificeren, en de fysieke AOC presteerde ongeveer op het niveau van een digitale computer. De digitale twin werd vervolgens gebruikt om een afbeelding van een hersenscan te reconstrueren met slechts 62,5 % van de oorspronkelijke gegevens, en dat deed het nauwkeurig. Deze prestatie, zo geloven de wetenschappers, kan leiden tot kortere MRI‑tijden.

De AOC werd ook gebruikt om financiële problemen op te lossen, waarbij het een hogere succesratio had dan huidige quantumcomputers.

In een interview met IBM zei Francesca Parmigiani, Principal Researcher bij Microsoft Research Cambridge, dat hun systeem “dual‑domain capability” heeft, wat betekent dat het twee soorten taken kan uitvoeren met dezelfde hardware. Dit gebeurt door gebruik te maken van fixed‑point search, die de manier waarop beide problemen worden opgelost, met elkaar verbindt.

“Wat me het meest enthousiasmeert, is dat we al workloads in zowel AI als optimalisatie op dezelfde hardware kunnen draaien,” zei ze. “We zitten nog in een kleine schaal, maar dit is een belangrijke eerste stap.”

IBM zelf maakt gebruik van fotonen, niet om berekeningen uit te voeren, maar om informatie sneller te verplaatsen. “We gebruiken licht om gegevens met zeer hoge dichtheid te verzenden voor AI‑toepassingen,” zei Jean Benoît Héroux, onderzoeker bij IBM Research. Ze ontwikkelen fotonische verbindingen die gegevens tussen chips, geheugen en boards overdragen.

Investeren in fotonisch rekenen 

Naarmate het momentum achter fotonisch rekenen de aandacht van grote technologiebedrijven trekt te midden van de vraag naar snellere AI‑rekeningen, heeft AI‑favoriet NVIDIA (NVDA ) ook manieren onderzocht om fotonische interconnects en optische netwerken te integreren om zijn hardware nog verder te verbeteren.

Terwijl NVIDIA de GPU‑gedreven AI‑revolutie leidt, onderzoekt het optische datatransmissie om de bandbreedte‑knelpunten te overwinnen die traditionele chip‑architecturen beperken.

Eerder dit jaar lanceerde het bedrijf fotonische schakelaars met co‑packaged optics (CPO) om 10× hogere netwerk‑resilientie, 3,5× betere energie‑efficiëntie en 1,3× snellere implementatietijd te bieden in vergelijking met traditionele netwerken.

Wat de aandelenprestaties van de chipfabrikant betreft, werd deze week het eerste bedrijf dat een marktwaarde van $5 biljoen bereikte toen de aandelenkoers boven $212 steeg en een nieuw record (ATH) bereikte. Momenteel verhandeld tegen $207, zijn NVIDIA‑aandelen meer dan 54 % gestegen sinds het begin van het jaar.

Het heeft een EPS (TTM) van 3,51 en een P/E (TTM) van 58,93. Een dividendrendement van 0,02 % wordt uitgekeerd aan Nvidia‑aandeelhouders.  

Wat Nvidia’s financiële positie betreft, meldde het bedrijf een omzet van $46,7 miljard voor het tweede kwartaal van het fiscale jaar 2026. Terwijl de totale omzet met 6 % steeg ten opzichte van het vorige kwartaal, steeg de omzet van Nvidia’s datacentrum met 5 % tot $41,1 miljard, waarbij de Blackwell‑datacentrumomzet sequentieel met 17 % steeg.

Conclusie

Naarmate AI‑mania zich over de hele wereld verspreidt, werken onderzoekers en bedrijven gezamenlijk aan het vervangen van elektronen door fotonen om een nieuwe wereld van snelheid, schaalbaarheid en energie‑efficiëntie te ontsluiten. In deze poging om AI‑infrastructuur te herdefiniëren, toont de recente doorbraak van de optische motor van de Tsinghua Universiteit aan dat licht‑gebaseerde systemen hun elektronische tegenhangers kunnen evenaren of zelfs overtreffen in specifieke taken.

Maar fotonisch rekenen bevindt zich nog in de testfase. Zodra fotonisch rekenen volwassen is en kosteneffectief wordt, kan het een tijdperk inluiden waarin rekenen zich voortbeweegt met de snelheid van het licht.

Klik hier om te leren hoe een licht‑aangedreven chip AI met 100× verbetert.

Referenties

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). Hoog‑snelheids‑ en laag‑latentie‑optische kenmerkextractie‑motor gebaseerd op diffractie‑operatoren. 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). Geïntegreerde niet‑reciprocale magneto‑optica met ultra‑hoge duurzaamheid voor fotonische in‑memory computing. 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). Single‑chip fotonisch diep neuraal netwerk met alleen‑voorwaartse training. 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). Analoge optische computer voor AI‑inferentie en combinatorische optimalisatie. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z}