Kunstmatige intelligentie
AI trainen met optische vezel: Een lichtgebaseerde sprong
Voeg Securities.io toe aan je voorkeursbronnen op Google
Waarom optische vezel elektriciteit zou kunnen vervangen in AI-computing
Sinds de begindagen van computing zijn vrijwel alle computers op de een of andere manier gebaseerd op berekeningen met elektriciteit, van ouderwetse vacuümbuizen tot moderne siliciumchips op nanometerschaal.
Nu siliciumchips steeds kleiner worden, zoeken onderzoekers naar nieuwe manieren om computers te bouwen die onze mogelijkheden verder kunnen vergroten dan met siliciumchips haalbaar is. Dit onderwerp bespraken we in “Top 10 bedrijven voor computing zonder silicium”.
Deze methoden omvatten bijvoorbeeld het gebruik van andere materialen, zoals koolstofcarbide, vanadiumdioxide, organische materialen of grafeen. Een andere mogelijkheid is de manier waarop berekeningen worden uitgevoerd te veranderen en af te stappen van de binaire programmering van op elektriciteit gebaseerde computers. Hieronder vallen kwantumcomputing en fotonica.
Fotonica gebruikt licht in plaats van elektriciteit om informatie te coderen en over te dragen. Tot nu toe werd die informatie uiteindelijk echter nog steeds omgezet in een binair signaal, waardoor geen volledig op licht gebaseerde vorm van computing ontstond.
Dat is veranderd door het werk van onderzoekers van de Universiteit van Tampere in Finland en de Université Marie et Louis Pasteur in Besançon, Frankrijk. Zij gebruikten optische vezels voor ultrasnelle berekeningen en publiceerden hun bevindingen in het wetenschappelijke tijdschrift Optics Letters1 onder de titel “Beperkingen van niet‑lineaire en dispersieve vezelpropagatie voor een op optische vezel gebaseerde extreme learning machine”.
Beperkingen van traditionele AI-training met elektronische systemen
AI-training en gegevensverwerking lopen tegen efficiëntiegrenzen aan. AI-berekeningen worden steeds sterker beperkt door het energieverbruik en de snelheid waarmee gegevens kunnen worden verwerkt.
Berekeningen met licht kunnen daarentegen duizenden keren sneller zijn en gegevens coderen in uiterst kleine energieverschillen, wat ze efficiënter maakt. Het probleem is dat tot dusver geen rechtstreekse berekening met licht was uitgevoerd.
De onderzoekers gebruikten een bijzondere computerarchitectuur die bekendstaat als een Extreme Learning Machine (ELM), een benadering die is geïnspireerd op neurale netwerken.
Een voordeel van ELM’s is dat ze in één stap van trainingsgegevens kunnen leren en een relatief eenvoudig algoritme gebruiken.
Doorgaans is een ELM waarschijnlijk niet geschikt voor zeer complexe taken waarvoor meerdere lagen AI-training nodig zijn. Voor specifieke taken, zoals beeldherkenning, kan deze architectuur echter zeer goed en efficiënter presteren.
Hoe onderzoekers beelden codeerden met optische vezels
De onderzoekers bouwden een optisch ELM-systeem met femtoseconde-laserpulsen, die een miljard keer korter zijn dan een cameraflits, en een optische vezel die het licht opsluit in een gebied kleiner dan een fractie van de dikte van een mensenhaar.
De laserpulsen zijn kort genoeg om een groot aantal verschillende golflengten of kleuren te bevatten en zo een rijke gegevensverzameling te creëren.
Vervolgens stuurden de onderzoekers deze gegevens door de vezel, met een relatieve vertraging die volgens een afbeelding was gecodeerd.
Bron: Universiteit van Tampere
De rol van niet‑lineaire optica in AI-verwerking
Deze vorm van gegevenscodering werd getransformeerd door de niet-lineaire interactie tussen licht en glas.
Lineaire optica is de gebruikelijke optica die op school wordt onderwezen, waarbij licht bijvoorbeeld rechtstreeks met een prisma in wisselwerking staat.
Bij niet-lineaire optica hangt de reactie van het medium waar het licht doorheen gaat af van de golflengte, intensiteit, richting en polarisatie van het licht.
Niet-lineaire optische componenten kunnen fotonen met verschillende frequenties laten samensmelten en zo nieuwe fotonen met nieuwe frequenties vormen.
“In plaats van conventionele elektronica en algoritmen te gebruiken, wordt de berekening uitgevoerd door gebruik te maken van de niet-lineaire interactie tussen intense lichtpulsen en het glas.”
Mathilde Hary en Andrei Ermolaev – postdoctorale onderzoekers
Met de niet-lineaire interactie en het Extreme Learning Machine-algoritme (ELM) kon een AI worden getraind om handgeschreven cijfers te classificeren, zoals de cijfers uit de bekende MNIST-benchmark voor AI.
Bron: Optics Letters
De beste systemen behaalden een nauwkeurigheid van meer dan 91%, bijna even hoog als de modernste digitale methoden.
Het uitzonderlijke aan dit resultaat is dat het in minder dan één picoseconde werd bereikt, oftewel een biljoenste seconde (0,000000000001 seconde).
Ideale optimalisatie
De beste resultaten werden niet bereikt bij de maximale mate van niet-lineaire interactie of complexiteit.
In plaats daarvan was een nauwkeurig evenwicht nodig tussen de vezellengte, dispersie (het verschil in voortplantingssnelheid tussen verschillende golflengten) en het vermogensniveau.
“Goede prestaties zijn niet simpelweg een kwestie van meer vermogen door de vezel sturen. Ze hangen af van hoe nauwkeurig het licht aanvankelijk is gestructureerd, met andere woorden hoe de informatie is gecodeerd, en hoe het licht met de eigenschappen van de vezel wisselwerkt.”
Zijn optische vezelcomputers de toekomst van AI?
AI uitsluitend met licht trainen wijkt radicaal af van alle tot nu toe gebruikte methoden. De methode zal waarschijnlijk niet voor elk type gegevens geschikt zijn, maar waar zij wel kan worden toegepast, kan ze resultaten opleveren die qua energieverbruik duizend keer efficiënter en tot een miljoen keer sneller zijn.
“Onze modellen laten zien hoe dispersie, niet-lineariteit en zelfs kwantumruis de prestaties beïnvloeden. Daarmee leveren ze cruciale kennis voor het ontwerpen van de volgende generatie hybride optisch-elektronische AI-systemen.”
Waarschijnlijk zou bij zo’n aanpak een deel van de AI-berekeningen worden uitbesteed aan niet-lineaire optische vezelhardware die speciaal voor de taak is gebouwd. Repetitieve taken, zoals visuele identificatie, zijn daarom geschiktere kandidaten dan de verwerking van nieuwe gegevens.
“Dit werk laat zien hoe fundamenteel onderzoek naar niet-lineaire vezeloptica nieuwe benaderingen voor computing kan aanjagen. Door natuurkunde en machinaal leren samen te brengen, openen we nieuwe wegen naar ultrasnelle en energiezuinige AI-hardware.”
Mogelijke toepassingen lopen uiteen van realtime-signaalverwerking en milieumonitoring tot snelle AI-inferentie.
Het onderzoek bevindt zich echter nog in de fase waarin de basisprincipes van de techniek worden aangetoond en is nog ver verwijderd van commercialisering.
Het laat niettemin zien dat fotonica waarschijnlijk een steeds belangrijker onderdeel van de computerindustrie wordt. Door fundamentele natuurkundige eigenschappen kan licht bij sommige computertoepassingen namelijk beter presteren dan elektriciteit.
Top beursgenoteerd laser‑ en fotonica‑bedrijf
Coherent (II-VI Marlow): Een leider in laserinnovatie
COHR Prijsgrafiek
Coherent is een groot industrieel concern met meer dan 26.000 werknemers en een vooraanstaande positie in lasertechnologie. Het ontstond uit de fusie van producent van geavanceerde materialen II-VI (COHR ) Marlow en laserfabrikant Coherent.
Het bedrijf is gespecialiseerd in geavanceerde materialen voor lasers, optica en fotonica, waaronder indiumfosfide, epitaxiale wafers en galliumarsenide.
De omzet groeide, grotendeels dankzij meerdere overnames in het afgelopen decennium, van $600 miljoen in 2013 tot $4,7 miljard in 2024.
Het bedrijf haalt 29% van zijn omzet rechtstreeks uit lasers; de rest is afkomstig van aanverwante apparatuur, zoals optische vezels en elektronica. De categorie instrumentatie omvat voornamelijk toepassingen in de levenswetenschappen en de geneeskunde.
Bron: Coherent
Dankzij zijn activiteiten in geavanceerde materialen zoals thermofotovoltaïsche materialen, die we in een eerder artikel bespraken, siliciumcarbide, lasers en elektronica profiteert Coherent van structurele trends zoals de groei van precisieproductie, additieve productie (3D-printen), elektrificatie en hernieuwbare energie.
Het bedrijf heeft onlangs zijn siliciumcarbideactiviteiten ondergebracht in een nieuwe entiteit waarvan Coherent 75% bezit. De rest is gelijk verdeeld tussen Mitsubishi Electric, dat intellectueel eigendom voor vermogenselektronica op basis van siliciumcarbide inbrengt, en Denso, dat zijn ervaring als autoleverancier op het gebied van elektrificatie en vermogenshalfgeleiders toevoegt.
Siliciumcarbide ontwikkelt zich namelijk steeds meer tot een zelfstandige technologie die vooral wordt gebruikt voor toepassingen met een hoog vermogen, zoals elektrische voertuigen, batterijen en hernieuwbare energie.
Coherent is een vooraanstaande speler op het gebied van lidar en digitale 3D-detectie, onder meer voor zelfrijdende toepassingen, flowcellen voor Next Generation Sequencing (NGS) in de biotechnologie en lasers voor de productie van halfgeleiders. Het verwacht dat zijn belangrijkste markten met 8% tot 20% groeien.
Bron: Coherent
Andere mogelijke nieuwe toepassingen van lasers, zoals gerichte-energiewapens, fotonische computing, kernfusie en ruimtetechnologie, kunnen de groei van het bedrijf op lange termijn eveneens ondersteunen.
Voor beleggers die in de sector geïnteresseerd zijn, komt Coherent zo dicht bij een beursgenoteerde pure-play laseronderneming als mogelijk is. Het bedrijf is sterk verticaal geïntegreerd en beschermt zijn innovaties met meer dan 3.100 patenten.
Naarmate de fotonica vordert, zal de vraag naar ultrasnelle, uiterst nauwkeurige lasersystemen en naar lasers voor optische telecommunicatie geleidelijk toenemen.
Laatste Coherent (COHR) aandelennieuws en ontwikkelingen
Gerefereerde studie
1. Andrei V. Ermolaev, Mathilde Hary, et al. Beperkingen van niet‑lineaire en dispersieve vezelpropagatie voor een op optische vezel gebaseerd extreme learning machine. Optics Letters. Vol. 50, Issue 13, pp. 4166-4169 (2025) https://doi.org/10.1364/OL.562186
