Kan fotonikk holde Moores lov i live?

Moores lov fastsetter at antallet transistorer i en integrert krets vil øke omtrent hvert andre år, sammen med datakraften. Dette prinsippet har stort sett vært korrekt siden 1965. Imidlertid kan man anta at Gordon E. Moore, medgründer av Intel, aldri vurderte at brikkene ville nå sine miniaturiseringsbegrensninger, noe som ville få beregningskraften til å henge etter.

Heldigvis har et team av ingeniører fra University of California utviklet en ny metode som bruker fotonikk for å gi mer beregningskraft uten å gå på bekostning av størrelsen. Her er det du trenger å vite.

Krymp dem

Verden har vært på en jakt etter å krympe datamaskiner siden deres oppfinnelse. Noen av dine besteforeldre kan til og med huske da datamaskiner krevde et helt rom og mange personer for å betjene dem. I dag gir smartklokken din mer beregningskraft enn disse kolossene, og det er bare toppen av isfjellet når det gjelder mikrodatabehandling. Reisen fra et helt rom ned til dagens mikroelektronikk har vært spennende, fylt med eksperimentering, oppdagelser og av og til feil.

Fysiske og kostnadsbegrensninger

Det er verdt å merke seg at det finnes et punkt hvor produksjon av så mikroskopiske komponenter blir kostnadsprohibitivt. Ifølge de fleste forskere har markedet nådd dette punktet. I tillegg er de beregningsmessige gevinstene ikke i samsvar med Moores lov, ettersom de mindre brikkene ikke kan levere beregningskraft proporsjonalt med sine større motparter.

Dermed vokser gapet mellom tilgjengelig beregningskraft og det som trengs, noe som får noen kjente aktører i markedet, som Nvidias administrerende direktør Jensen Huang, til å erklære at Moores lov er død, og peker på applikasjonsspesifikke prosessorer som fremtiden.

Etterspørsel etter høyytelsesdatamaskiner

Den plutselige veksten av kunstig intelligens og maskinlæringssystemer har økt etterspørselen etter kraftig databehandling og skyplattformer. Disse kravene har overgått chipdesignen når det gjelder ytelse, og skapt en flaskehals i AI-utviklingssektoren som begrenser innovasjon. Nå er konkurransen i gang for å levere en løsning som kan holde tritt med kravene fra dagens høyytelsesdatamaskiner og AI-systemer.

Løsninger for beregningskraft

Noen analytikere mener at en løsning er å lage spesialbrikker som har logikk og prosessering på samme brikke. Denne tilnærmingen bidrar til å redusere latens og energiforbruk og forbedrer ytelsen. Imidlertid gjør beregningsbegrensninger det fortsatt lite ideelt når man diskuterer massive AI-databehov.

Minneberegning

En annen løsning som har forskere begeistret er minneberegning. Denne lagringsmetoden bruker raskt tilgjengelig RAM i stedet for en roterende harddisk. Spesielt settes RAM fra et nettverk av datamaskiner opp ved hjelp av mellomvareprogramvare for å kjøre minnet parallelt. Denne lagringsmetoden er 5000 ganger raskere enn tradisjonelle metoder, men kan fortsatt ikke holde tritt med Moores lov.

Fotonikk

Fotonikk er en annen metode for høyytelsesberegning som har forskere interessert. Fotonikk fungerer ved å oppdage lysbølger ved hjelp av elektronikk. Vitenskapen dreier seg om å generere og kontrollere lys mens det passerer gjennom en matrise av programmerbare optiske vekter.

Disse vektene integrerer et 2D-arrangement av ikke‑flyktige optiske modulatorer som gjør det mulig å utføre en lineær transformasjon på en vektor av optiske innganger. Denne strategien gir raskere byttehastigheter enn RAM‑beregningsmetoder.

Nåværende begrensninger for fotonikk

Noen av ulempene med fotonikk i databehandling inkluderer at de nåværende systemene kun kan skrives om omtrent 1000 ganger. Denne begrensede levetiden gjør dem til et kostbart alternativ. I tillegg har de optiske vektene lav lagringstetthet, og programmering er tregere enn tradisjonelle brikker.

Fotonisk beregningssystemer finnes i ulike former og design. Imidlertid krever disse systemene spesialiserte produksjonsprosesser som er langt dyrere enn deres motparter. Til tross for kostnadsbegrensningene tror mange forskere at fotonikk er fremtiden for databehandling, og at Wrights lov er nøkkelen til implementeringen.

Wrights lov

Det finnes også Wrights lov, som vil fortsette å spille en rolle i vår evne til å videreutvikle halvledere. Denne loven er et produksjonsprinsipp som ble introdusert av luftfartsingeniør Theodore Paul Wright. Mens han arbeidet i et flyproduksjonsanlegg, la han merke til at arbeidskravene ble redusert med 15 % etter hvert som produksjonsprosesser forbedret seg, selv om produksjonsnivåene økte.

Disse kostnadsbesparelsene kom fra forbedrede prosesser, teknologi, gjenopprettingssystemer og andre oppgraderinger gjort under produksjonen. Derfor mener mange analytikere at Wrights lov vil bidra til å gjøre fotonikk til et mer tilgjengelig og mindre kostbart alternativ i fremtiden.

Du kan allerede se Wrights lov i aksjon i AI‑sektoren. For noen år siden ville det ha vært umulig for den gjennomsnittlige personen å få tilgang til eller betjene et AI‑system. Å lage AI‑modeller, administrere og oppgradere dem var rett og slett for dyrt. I tillegg hadde ingen skapt en pålitelig måte for AI å samhandle med mennesker.

Men siden programmer som ChatGPT kom på markedet, kan hvem som helst nå bruke disse kraftige verktøyene for å forbedre sin effektivitet og kreativitet. Disse systemene integrerer store språkmodeller som gjør det enkelt for alle å betjene dem via enkle chat‑spørsmål. Denne utviklingen drev AI‑adopsjonen til nye høyder, noe som førte til dagens mangel på beregningskraft.

Fotonikkstudie

Studien «Integrated non-reciprocal magneto-optics with ultra-high endurance for photonic in-memory computing»¹ publisert i tidsskriftet Nature Photonics avslører en ny metode for optisk databehandling som kan revolusjonere markedet. Studien går i detalj inn på koding av optiske vekter for in‑memory fotonisk databehandling.

Kilde – Nature

Forskerne valgte å bruke magneto‑optiske minneceller og en resonansbasert fotonisk arkitektur for å oppnå sine beregningsmål. Strategien baserer seg på ikke‑rekiprok faseforskyvning i magneto‑optiske materialer som en metode for å implementere fotonisk in‑memory databehandling.

En ny matematisk modell gjorde det mulig for teamet å teste magneto‑optiske materialer. De fant at cerium‑substituert yttrium‑jern‑garnett (YIG) gjorde dem i stand til å bruke et eksternt magnetfelt for å kontrollere lysets propagasjon. Dette kontrollerte lyset kunne deretter brukes til å utføre beregninger.

Studien demonstrerte hvordan små magneter kan lagre data effektivt og få tilgang til dem lynraskt.

Prosessen med å kode magnetene fungerer ved å sette enhetens magnetiske domenestyrke. For å betjene enheten må elektroniske signaler konverteres til det optiske domenet ved hjelp av elektro‑optiske (E/O) modulatorer for programmering og lagring. Deretter konverterer balanserte fotodetektorer (BPD‑er) det differensielle optiske signalet tilbake til et elektrisk signal slik at CMOS‑logikken kan behandle det sammen med SRAM.

Fotonikktest

For å teste deres ikke‑flyktige magneto‑optiske minnecelle satte forskerne opp ulike tilnærminger. De startet med en 2‑bits elektrisk inngang som gjorde dem i stand til å oppnå to positive og to negative optiske vekter. Deretter ble magnetfeltet manipulert for å observere endringer.

Cerium‑substituert yttrium‑jern‑garnett (YIG),

Et 500 nm tykt enkeltkrystallinsk YIG ble laboratoriedyrket ved hjelp av en radiofrekvens‑sputtemetode ved 750 °C for testfasen. Spesielt bestemte teamet seg for å bruke en wafer med en ringradius på 35 µm. I tillegg ble et 10 nm tynt silisium‑oksidlag integrert for å skille silisiumlaget fra Ce: YIG‑laget.

Fotonikkprogrammering

Programmering av tilstanden til minnecellen krever et radielt in‑plane magnetfelt levert av en integrert gull‑elektromagnet. Systemet kan elektronisk måle endringer i optisk tap avhengig av retning og magnetfelt påført via en ferromagnetisk tynnfilm.

Denne ordningen skaper et programmerbart, ikke‑flyktig magnetfelt, som gjør ingeniører i stand til å indusere en ikke‑rekiprok optisk faseforskyvning i minnecellen. Merkverdig dokumenterte studien både med klokken (CW) og mot klokken (CCW) moduser av en mikro‑ring resonator som en metode for å programmere og få tilgang til beregningsdata.

Fotonikk livssyklus

Testing av minne‑livssyklusen var et annet steg. Teamet programmerte en vilkårlig funksjonsgenerator som vekslet mellom skrive‑ og slettepuls som en del av tilnærmingen. Systemet ble justert med en frekvens på 10 kHz. Ingenørene brukte deretter en amplitude på ±5 V og en pulsbredd på 500 ns for å etterligne reell omskriving. Resultatene var øyeåpnende.

Fotonikkresultater

Testresultatene demonstrerte hvordan denne nye fotonikkmetoden kan endre databehandling for alltid. For det første viste det nye systemet nesten ubegrensede omskrivingsmuligheter. Spesielt ble 2,4 milliarder programmeringssykluser oppnådd.

I tillegg fastslo ingeniørene at utnyttelse av ikke‑rekiproke faseforskyvninger i magneto‑optiske materialer gjør det mulig å programmere dem deterministisk raskt og effektivt. Dataene viste at en programmeringshastighet på ~1 GHz var mulig. Videre oppnådde teamet ikke‑flyktighet og fler‑nivå koding som overgår nåværende metoder. Følgelig kan denne forskningen revolusjonere datamarkedet fremover.

Fotonikkfordeler

Flere fordeler gjør fotonikkstudien til en spillveksler. For det første kan det nye systemet utføre komplekse operasjoner som krever enorm beregningskraft. Disse systemene er ideelle for AI‑ og ML‑operasjoner som krever matrise‑vektor‑multiplikasjon og andre avanserte vitenskaper.

Redusert latens

Forskerne fant at fotonikk gir høyere hastigheter sammenlignet med tradisjonelle alternativer. Testfasen avdekket 1 ns minnetilgang. Denne hastigheten er 100 ganger raskere enn tidligere fotonikk‑enheter, og åpner døren for et nytt innovasjonsnivå.

Lavere energiforbruk

Energieffektivitet er en annen fordel som fotonikk‑systemet bringer til markedet. Dette systemet kan reprogrammere og få tilgang til minne med en brøkdel av strømkravene til andre alternativer. Teamet oppnådde en effektivitet på 143 fJ per bit, noe som gjør systemets krav til 1/10 av andre fotonikk‑alternativer.

Reprogrammerbar

En av de største fordelene med fotonikkforskning er avsløringen av at disse enhetene har en nesten uendelig reprogrammeringssyklus. Ingen andre lagringsalternativer for databehandling gir brukerne muligheten til å omskrive data +2Bx. Dermed kan denne vitenskapelige forskningen ha en gjennomgripende effekt på datasentre.

Fotonikkforskere

Fotonikkforskningen ble ledet av Santa Barbara, John Bowers og Galan Moody.  Paolo Pintus, Nathan Youngblood, Yuya Shoji og Mario Dumont spilte også avgjørende roller i forskningen og utviklingen av fotonikk‑systemet. Nå vil teamet søke å utvide forskningen til andre materialer for å finne det beste alternativet som kan drive morgendagens AI‑revolusjon.

Bedrifter som kan dra nytte av fotonikkforskningen

Det finnes en rekke selskaper som kan bruke denne forskningen til å forbedre sine produkter og tjenester. Sky‑databehandlingsnettverk og datasentre er to åpenbare sektorer som vil oppleve betydelige inntektsøkninger dersom de kan implementere denne teknologien. Her er ett firma som er perfekt posisjonert til å utnytte denne informasjonen.

Snowflake

Snowflake (SNOW ) gikk inn i sky‑databehandlingsmarkedet i 2012. Selskapet har hovedkontor i Montana og ble med‑grunnlagt av Benoît Dageville, Thierry Cruanes og Marcin Żukowski for å levere høyytelses sky‑databehandling til markedet. I dag spiller Snowflake en avgjørende rolle i å gjøre det mulig for bedrifter å lagre, migrere og behandle data i skyen.

Snowflake blir av mange sett på som et topp‑aksjevalg på grunn av sitt engasjement for innovasjon, banebrytende tjenester og posisjonering. Selskapet fikk nylig oppmerksomhet for sin One Million Minds + One Platform‑initiativ som har som mål å oppgradere millioner av arbeidere innen AI innen 2029.

Snowflake er ett av de mest anerkjente navnene i sky‑databehandlingssektoren. For øyeblikket håndterer det over 4,2 milliarder spørringer daglig og har over 10 000 kunder, inkludert 800 selskaper som har kommet på Forbes‑listene. Denne støtten og kundebasen kan øke interessen for selskapets aksjer.

Hvis Snowflake kunne implementere et fotonisk lagringssystem i et datasenter, kunne de oppnå massive avkastninger. Systemet ville ta opp mindre plass, kreve mindre energi og produsere langt mindre varme. I tillegg ville de ha en ubegrenset omskrivingslevetid samtidig som de kunne tilby lavere latens til sine kunder. Dette kunne igjen øke inntektene.

Fotonikk – å bruke lys for å ta databehandling til neste nivå

Fotonikk kan være det verden trenger for å låse opp et nytt nivå av beregningsforståelse. Denne teknologien tilbyr den levetiden og bærekraften som ingeniører søker i dag. Følgelig ser mange denne forskningen som avgjørende for AI‑bevegelsen. Alle disse faktorene betyr at fotonikk‑databevegelsen er rett på tide.

Lær om andre kule databehandlingsprosjekter her.

Studierreferanse:

^{1. Pintus, P., Dumont, M., Shah, V., et al. (2025). Integrerte ikke‑rekiproke magneto‑optikker med ultra‑høy utholdenhet for fotonisk in‑memory beregning. Nature Photonics, 19(1), 54–62. https://doi.org/10.1038/s41566-024-01549-1}