От кремния к свету: следующая волна аппаратного обеспечения для искусственного интеллекта.

По мере того как искусственный интеллект (ИИ) становится все более популярным и мощным, растет и его потребность в скорости и энергии. Необходимость в более быстрых, интеллектуальных и эффективных системах побудила исследователей к поиску радикальной альтернативы: оптических вычислений.

В отличие от традиционных процессоров, использующих электроны, оптические вычисления используют фотоны, или частицы света, для передачи и обработки информации. Этот переход дает два важных преимущества.

Во-первых, фотоны обладают значительной энергоэффективностью. Они выделяют значительно меньше тепла, чем электроны, которые генерируют так много тепла, что это ограничивает их производительность и требует больших и дорогостоящих систем охлаждения в центрах обработки данных.

Во-вторых, свет распространяется намного, намного быстрее электрического тока, что позволяет значительно ускорить операции. Оптические сигналы также могут передавать больше информации, предлагая простой путь к более чистым и быстрым вычислениям.

В результате в настоящее время наблюдается растущий интерес к фотонным вычислениям. Технология демонстрирует многообещающие результаты в лабораторных условиях и привлекает значительные инвестиции от крупных компаний.

Однако перенести этот лабораторный успех в практические фотонные устройства оказалось довольно сложно. Для этого нам сначала нужно преодолеть несколько препятствий. Фотоны не взаимодействуют друг с другом естественным образом, что затрудняет создание оптических логических элементов, которые являются основой вычислительной техники. Кроме того, технология все еще находится на стадии исследования, поэтому она не обладает той зрелостью и экономией масштаба, которыми обладает производство электронных чипов благодаря десятилетиям коммерциализации.

Кроме того, существуют такие факторы, как стоимость, габариты и низкая частота модуляции. ограничение большинство существующих оптических схем. 

Новое исследование сделало важный шаг на пути к преодолению некоторых ограничения, связанные с развитием новое оптический двигатель, , которые сочетает в себе скорость, эффективность и компактность. one чип.

Исследователи из Университета Цинхуа разработали революционную оптическую систему для вычислений, которая выполняет извлечение признаков с беспрецедентно низкой задержкой, который обладает потенциалом для революционных изменений Обработка с помощью ИИ.

Использование Использование света вместо электричества для обработки данных позволяет этой технологии значительно ускорить вычисления, минимизируя при этом задержку, что является существенным шагом на пути к искусственному интеллекту в реальном времени.

В основе этой новой системы лежит полупроводниковый оптический усилитель на основе интерферометра Маха-Цендера, или SOA-MZI. 

Полуоптический оптический усилитель (SOA) — это компактное устройство, которое напрямую усиливает световые сигналы посредством стимулированного излучения. Между тем, интерферометр Маха-Цендера (MZI), один из старейших оптических приборов, является базовым инструментом. интерференция волновода устройство, состоящее из двух соединителей, соединенных две волноводы различной длины.

Теперь перейдём к настройке SOA-MZI. позволяет свет для осуществлять Работа, лежащая в основе глубокого обучения. Представленная здесь информация обработана и содержит следующие данные: , такие как узоры и края обнаружены в световом сигнале, без конвертации их обратно к электричеству.

Помимо вышесказанного, a мультиплексирование с разделением по длине волны (WDM), этот метод используется устройством. Этот конкретный метод разделяет свет на спектр цветов, причем каждый цвет несет свой собственный поток данных. Использование технологии WDM позволяет микросхеме работать многих параллельные вычисления, таким образом повышение пропускная способность. 

При лабораторных испытаниях двигатель обрабатывал данные на скорости до 10 гигабит в секунду (Гбит/с) на канал с задержкой всего в десятки пикосекунд (пс). Для сравнения, один пикосекундный интервал эквивалентен 1,000 фемтосекундам или одной тысячной наносекунды.

Эти результаты показывают, что двигатель работает намного быстрее, чем любой электронный процессор. возможно надеемся достичь.

Что это скорость означает является то, что система может обрабатывать информацию в реального времени, делая это ИДЕАЛЬНОЕ для приложений , такие как высокочастотная торговля, медицинская визуализация, роботов хирургия, or автономные транспортные средства. Эти приложения полагаются на способность ИИ быстро, даже за миллисекунды, извлекать ключевые характеристики из необработанных данных. имеют большое значение. 

Прорыв: оптический модуль и искусственный интеллект в реальном времени от университета Цинхуа

Закон Мура говорит количество транзисторов на микрочипе удваивается о каждую две года. Это приводит к увеличение вычислительная мощность, снижение стоимости и общий более компактные устройства.

Эта тенденция, которая стимулирует инновации в полупроводниковой промышленности, теперь представляется подходит к концу. Уменьшившись до размеров всего в несколько нанометров, размеры транзисторов приближаются к физическим пределам кремниевых технологий.

Помимо меньшего размера, который приводит к туннелированию электронов и токам утечки, это увеличение Вследствие высокого энергопотребления и тепловыделения стоимость производства передовых микрочипов резко возросла. Между тем, сам кремний достигает пределов своей производительности и масштабируемости.

Этот Вот почему исследователи и компании изучают альтернативные решения. такие технологии, как чиплетная архитектура, системы в корпусе (SiP), энергонезависимая память, квантовые вычисления, биовычисления и, конечно же, фотоника. 

Среди этих альтернатив фотоника демонстрирует особые перспективы для применения в искусственном интеллекте. Используя силу света, извлечение признаков, критически важный шаг в машинном обучении, может быть значительно ускорен. 

Извлечение признаков — это процесс преобразования необработанных данных в... Упрощенный набор числовых признаков, которые лучше отражают основную проблему для моделей машинного обучения (МО). Этот метод снижает сложность данных для извлечения наиболее релевантной информации, тем самым повышая производительность и эффективность алгоритмов МО.

Хотя свет может ускорить извлечение признаков, поддержание стабильного, когерентного света для быстрых оптических вычислений представляет собой чрезвычайно сложную задачу. 

к снасти это, исследователи от Университет Цинхуа разработан механизм извлечения оптических признаков второго поколения (OFE2).¹ способный выполнять извлечение оптических признаков для многочисленные практические применения. Интегрированная на кристалле система использует настраиваемые разветвители мощности и прецизионные линии задержки для передачи стабильных параллельных оптических сигналов.

Система десериализует входящий поток данных путем преобразования входного сигнала в несколько синхронизированных световых волн. которые позволяют параллельная обработка в реальном времени.

Затем эти световые волны проходят через дифракционный оператор — микроскопическую пластинчатую структуру, которая выполняет вычисления по мере распространения света. Эта операция аналогична умножению матрицы на вектор — фундаментальной операции искусственного интеллекта, используемой для преобразования и обработки данных.

Принцип работы дифрагированного света, создающего сфокусированное «яркое пятно» на выходе, имеет фундаментальное значение, поскольку оно может быть частично отклонено Направляя сигнал на определенный выходной порт путем регулировки фазы параллельно подключенных входных ламп. Именно это изменение выходной мощности, наряду с соответствующими изменениями, позволяет их двигателю, также известному как OFE2, достигать таких показателей. особенности вход вариации сигнала со временем.

OFE2 работает в скорость 12.5 ГГц — рекорд в области оптических вычислений, и позволяет выполнять умножение матрицы на вектор. одной 250.5 пс, который наименьшая задержка среди аналогичных реализации оптические вычисления.

«Мы твердо убеждены, что эта работа закладывает важный ориентир для развития интегрированных оптических дифракционных вычислений, позволяя достичь скорости более 10 ГГц в реальных приложениях».

– Профессор Хунвэй Чен, который вместе со своей командой в Университете Цинхуа провел это исследование.

Команда продемонстрировала широкие возможности своей системы в решении различных задач.

При тестировании в условиях цифровой торговли OFE2 показал впечатляющие результаты. Трейдер подает в OFE2 ценовые сигналы в реальном времени, а оптимально настроенный движок генерирует выходные сигналы, которые переводятся напрямую Принимая решения о покупке или продаже, система обеспечивает стабильную прибыльность с минимальной задержкой, поскольку работает со скоростью света.

Команда также использовала OFE2 для обработки изображений. в котором движок извлек краевые признаки из входных изображений и создали две взаимодополняющие карты объектов, имитирующие рельеф и гравировку. Оптические характеристики, полученные с помощью OFE2, показали гораздо лучшие результаты. in классификация изображений и повышение качества пиксель точность семантической сегментации, , такие как Идентификация органов на компьютерных томографических (КТ) снимках.

Что еще более важно, при использовании OFE2 в системах искусственного интеллекта требуется меньше электронных параметров, что демонстрирует потенциал оптической предварительной обработки для создания более легких, эффективных и менее дорогих гибридных систем ИИ. Тяжелая работа выполняется посредством оптической предварительной обработки, в то время как модели ИИ могут сосредоточиться на обучении и интерпретации.

Эти результаты позволяют предположить, что наиболее интенсивные вычислительные нагрузки можно перенести из электроники в фотонику, открывая перспективы для моделей искусственного интеллекта в реальном времени.

По словам исследователей, их устройство способно обрабатывать огромный потоки данных с очень мало потери энергии при сохранении хорошей целостности сигнала даже под нагрузкой.

«Представленные в нашем исследовании достижения позволяют увеличить скорость работы интегрированных дифракционных операторов, обеспечивая поддержку ресурсоемких вычислительных сервисов в таких областях, как распознавание изображений, вспомогательное здравоохранение и цифровые финансы», — сказал Чен. «Мы с нетерпением ждем сотрудничества с партнерами, которым необходимы вычислительные ресурсы, требующие больших объемов данных».

Нажмите здесь, чтобы узнать о том, как благодаря кремниевой фотонике становятся возможными вычисления со скоростью света.

Глобальная гонка за переосмысление вычислительных технологий с помощью фотоники. 

Проведите пальцем, чтобы прокрутить →

Прогресс, достигнутый в университете Цинхуа, является частью более масштабных глобальных изменений. Ученые по всему миру стремятся преодолеть электронные узкие места, обращаясь к свету.

Ранее в этом году другая команда из Китая представила свою чип, который использует Это позволит синхронизировать процессоры и может открыть путь к коммуникациям следующего поколения и высокоскоростным вычислениям с использованием искусственного интеллекта.

Традиционные микросхемы генерируют тактовые сигналы с помощью электронных генераторов., и . Важно работать в one основная тактовая частота, что означает разные области применения различные технологии производства микросхем. Новый чип, разработанный Международная группа ученых во главе с Пекинским университетом в Китае использует «свет в качестве среды для генерации тактовых сигналов посредством фотонов».

Они разработали «микрогребенку на кристалле», которая может синтезировать одночастотные и широкополосные сигналы и обеспечивать опорные тактовые сигналы для... электроника в системе.

«Создав на чипе кольцо, напоминающее гоночную трассу, свет может непрерывно «течь» со скоростью света. Время каждого круга будет измеряться». затем используется «В качестве стандарта для встроенных тактовых генераторов», — сказал ведущий автор Чан Лин, который является помощником. профессор Института информационных и коммуникационных технологий в Пекинском университете. «Поскольку круг занимает несколько миллиардных долей секунды, часы могут регулировать время с невероятно высокой скоростью».

Благодаря новым технологиям, чипы могут покрывать различный Диапазоны микроволновых частот.

Команда достигла тактовой частоты более 100 ГГц и и заявила которая Они могут производить тысячи идентичных чипов на 8-дюймовых пластинах, в то время как они решают проблемы стабильности и оптимизировать процессы упаковки.

Еще одна международная группа исследователей пыталась в рассмотреть ограничения закона Мура² посредством фотоники, но они использовали магнитооптический материал. Данный материал представляет собой иттриевый железистый гранат (ИЖГ), замещенный церием, оптические свойства которого динамически изменяются в ответ на внешние магнитные поля. 

Использование крошечных магнитов для хранения данных и управления. перевод света В рамках этого материала исследователи впервые разработали новый тип магнитооптической памяти.

Согласно исследованию, этот новый класс памяти обладает скоростью переключения в 100 раз большей, чем у передовых фотонных интегральных схем, потребляет примерно в десять раз меньше энергии и может быть перепрограммирован более 2.3 миллиарда раз, что потенциально означает неограниченный срок службы.

Тем временем в США ученые от Массачусетский технологический институт имеет продемонстрировали³ фотонный процессор, который может сделать ВСЕ Вычисления в области искусственного интеллекта осуществляются оптически непосредственно на чипе. Их оптическое устройство фактически завершенный Ключевые вычисления для задачи классификации в машинном обучении выполняются менее чем за полнаносекунды. с точность 92%.

В своей работе ученые разработали нелинейные оптические функциональные блоки (НОФБ) для решения проблемы нелинейности в оптике, которая обусловлено фотоны не взаимодействующий с легко друг друга, таким образом что делает активацию оптических нелинейностей энергозатратной. NOFUs объединяют оптику и электронику для интеграции нелинейных операций. на чипе.

В то время как университеты демонстрируют свои экспериментальные оптические чипы, крупные технологические компании не отстают; они активно изучают, как эти принципы могут сделать коммерческие системы искусственного интеллекта быстрее и экологичнее.

Исследователи Microsoft подробно описал компьютер на основе света.⁴, , которые использует датчики камеры и микросветодиоды., создать ИИ сотня в раз эффективнее. Прототип аналогового оптического компьютера (АОК) от технологического гиганта вычисляет проблема многочисленный разы, и каждый раз, оно улучшается до тех пор, пока не будет достигнуто «устойчивое состояние». достигнутый.

«Самое важное преимущество AOC заключается в том, что, по нашим оценкам, энергоэффективность повышается примерно в сто раз», — заявил соавтор исследования Яннес Глэдров, исследователь в области искусственного интеллекта из Microsoft. сообщение в блоге компании«В сфере аппаратного обеспечения такое само по себе неслыханно».

Одновременно с этим команда разработала «цифровой двойник» — модель, имитирующую вычисления физического прибора AOC и масштабируемую для обработки большего количества переменных и даже более сложных вычислений. Эта модель позволяет команде «работать над более масштабными задачами, чем те, с которыми сам прибор может справиться в настоящее время», — отметил Майкл Хансен, старший директор по обработке биомедицинских сигналов в Microsoft Health Futures.

Компьютер уже может это сделать некоторых задачи , такие как Реконструкция изображений МРТ, сопоставление финансовых транзакций и простые вычисления с использованием ИИ.

Для проверки AOC команда сначала поставила перед ним простую задачу классификации изображений, и физический AOC показал результаты примерно на уровне цифрового компьютера. Затем его цифровой двойник был использован для реконструкции. изображение Сканирование мозга с использованием всего 62.5% исходных данных дало результат. которая точно. Ученые считают, что это достижение может привести к сокращению времени проведения МРТ.

Также использовался сертификат AOC. для решения финансовых проблем, с которым оно имело более высокий процент успеха, чем у современных квантовых компьютеров.

В одном из интервью с IBMФранческа Пармиджани, ведущий научный сотрудник Microsoft Research Cambridge, заявила, что их система обладает «возможностью работы в двух доменах». что значит оно может выполнять две функции виды задач через Тот же самый аппаратный компонент. Этот сделано с помощью поиска с неподвижной точкой, который связывает способы решения обеих задач.

«Больше всего меня радует то, что мы уже можем запускать задачи искусственного интеллекта и оптимизации на одном и том же оборудовании», — сказала она. «Мы пока работаем в небольших масштабах, но это важный первый шаг».

Сама компания IBM является используя фотоны, а не делать Вычисления, но для более быстрой передачи информации. «Мы используем свет для передачи данных с очень высокой плотностью для приложений искусственного интеллекта», — сказал Жан Бенуа Эру, научный сотрудник IBM Research. Они разрабатывают фотонные каналы связи, которые передают данные между микросхемами, памятью и платами.

Инвестиции в фотонные вычисления 

По мере развития фотонных вычислений уловы внимание крупных технологических игроков среди спрос на более быстрые вычисления в области ИИ, любимец рынка ИИ — компания NVIDIA. (NVDA ) Компания также изучает способы интеграции фотонных межсоединений и оптических сетей. в порядке чтобы еще больше расширить возможности своего оборудования.

Компания NVIDIA, возглавляя революцию в области искусственного интеллекта на базе графических процессоров, исследует оптическую передачу данных для преодоления узких мест в пропускной способности, которые ограничивают возможности традиционных архитектур чипов.

Ранее в этом году компания запустили фотонные переключатели с ко-пакетированной оптикой (CPO) для обеспечивать В 10 раз более высокая отказоустойчивость сети, в 3.5 раза лучшая энергоэффективность и в 1.3 раза более быстрое развертывание. в сравнении с традиционные сети.

Что касается динамики акций производителя микросхем на этой неделе,, Она стала первой компанией, рыночная капитализация которой достигла 5 триллионов долларов, поскольку цена ее акций превысила 212 долларов. удар новый исторический максимум (ATH). В настоящее время акции NVIDIA торгуются по цене 207 долларов и выросли более чем на 54% с начала года.

Прибыль на акцию (за последние 12 месяцев) составляет 3.51, а коэффициент P/E (за последние 12 месяцев) — 58.93. Дивидендная доходность — 0.02%. оплачено акционерам Nvidia.  

Что касается Финансовое положение компании Nvidia сообщал a Выручка за второй квартал 2026 финансового года составила 46.7 миллиарда долларов. В то время как общая выручка выросла на 6% по сравнению с предыдущим кварталом, выручка Nvidia от центров обработки данных увеличилась на 5% до 41.1 млрд долларов, а выручка Blackwell Data Center выросла на 17% по сравнению с предыдущим кварталом.

Заключение

По мере распространения мании искусственного интеллекта во всем миреИсследователи и компании работают над этим. при замене Электроны и фотоны откроют новый мир скорости, масштабируемости и энергоэффективности. В попытке переосмыслить инфраструктуру искусственного интеллекта недавний прорыв оптического двигателя Университета Цинхуа показывает, что системы, основанные на свете, могут конкурировать с другими системами. или даже превосходят свои электронные аналоги в выполнении конкретных задач.

Однако фотонные вычисления все еще находятся на стадии тестирования. Как только фотонные вычисления достигнут зрелости и станут экономически эффективными, они могут ознаменовать эру, когда вычислительная техника будет развиваться со скоростью света.

Нажмите здесь, чтобы узнать, как чип, работающий от солнечной энергии, увеличивает производительность ИИ в 100 раз.

Референсы

<sup>1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). Высокоскоростной и малозадержечный механизм извлечения оптических признаков на основе дифракционных операторов. Передовой фотонный комплекс, 4(5), 056012. https://doi.org/10.1117/1.APN.4.5.056012
2. Пинтус, П., Дюмон, М., Шах, В., Мурай, Т., Шоджи, Й., Хуанг, Д., Муди, Г., Боуэрс, Дж. Э., Янгблад, Н. и др. (2025). Интегрированная нереципрокная магнитооптика со сверхвысокой износостойкостью для фотонных вычислений в памяти. Фотоника природы, 19, 54-62. https://doi.org/10.1038/s41566-024-01549-1
3. Бандиопадхай, С., Сладдс, А., Крастанов, С., Хамерли, Р., Харрис, Н., Бунандар, Д., Стрешинский, М., Хохберг, М., и Энглунд, Д. (2024). Одночиповая фотонная глубокая нейронная сеть с обучением только прямым методом. Фотоника природы, 18, 1335-1343. https://doi.org/10.1038/s41566-024-01567-z
4. Калинин, К.П., Гладроу, Дж., Чу, Дж., Клегг, Дж.Х., Клетеро, Д., Келли, Д.Д., Рахмани, Б., Бреннан, Г., Канакчи, Б., Фальк, Ф., Хансен, М., Клевейн, Дж., Кремер, Х., О'Ши, Г., Пикап, Л., Раджмохан, С., Роустрон А., Руле В., Брейн Л., Хедекар С., Берлофф Н.Г., Гканцидис К., Пармиджани Ф. и Баллани Х. (2025). Аналоговый оптический компьютер для вывода ИИ и комбинаторной оптимизации. Природа, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z</sup>