Kan fotonik hålla Moores lag vid liv?

Moores lag föreskriver att antalet transistorer i en integrerad krets kommer att öka ungefär varannan år, tillsammans med datorns kraft. Detta princip har varit i stort sett korrekt sedan 1965. Dock kan man anta att Gordon E. Moore, medgrundaren av Intel (INTC ), aldrig övervägde att chipen skulle nå sina miniaturiseringsgränser, vilket skulle leda till att beräkningskraften halkar efter.

Lyckligtvis har ett team av ingenjörer från University of California utvecklat en ny metod som använder fotonik för att ge mer beräkningskraft utan att offra storlek. Här är vad du behöver veta.

Krymp dem

Världen har varit på en jakt efter att krympa datorer sedan deras uppfinning. Några av dina mor- och farföräldrar kanske till och med minns när datorer krävde ett helt rum och många personer för att drivas. Idag ger din smartwatch mer beräkningskraft än dessa jättar, och det är bara toppen av isberget när det gäller mikrodatorer. Resan från ett helt rum ner till dagens mikroelektronik har varit spännande, fylld med experiment, upptäckter och ibland misslyckanden.

Fysiska och kostnadsmässiga begränsningar

Det är tydligt att det finns en punkt där tillverkning av så mikroskopiska komponenter blir kostnadsförbjuden. Enligt de flesta forskare har marknaden nått denna punkt. Dessutom är de beräkningsmässiga vinsterna inte i linje med Moores lag eftersom de mindre chipen inte kan leverera beräkningskraft proportionell mot sina större motsvarigheter.

Som ett resultat växer klyftan mellan tillgänglig beräkningskraft och vad som behövs, vilket får några välkända aktörer på marknaden, som Nvidias VD Jensen Huang, att påstå att Moores lag är död och lista applikationsspecifika processorer som framtiden.

Efterfrågan på högpresterande datorer

Den plötsliga tillväxten av artificiell intelligens och maskininlärningssystem har ökat efterfrågan på kraftfull beräkning och molnplattformar. Dessa krav har överträffat chipdesignen när det gäller prestanda, vilket skapar en flaskhals i AI-utvecklingssektorn som begränsar innovation. Nu är tävlingen igång för att erbjuda en lösning som kan hålla jämna steg med kraven från dagens högpresterande datorer och AI-system.

Lösningar för beräkningskraft

Vissa analytiker tror att en lösning är att skapa specialchip som har logik och bearbetning på samma chip. Detta tillvägagångssätt hjälper till att minska latens och energianvändning samt förbättrar prestanda. Dock gör beräkningsbegränsningarna det fortfarande mindre idealiskt när man diskuterar massiva AI-datakrav.

Minnesberäkning

En annan lösning som entusiasmerar forskare är minnesberäkning. Denna lagringsmetod använder ett snabbåtkomligt RAM istället för en roterande hårddisk. Specifikt sätts RAM från ett nätverk av datorer upp med hjälp av middleware‑programvara för att köra minnet parallellt. Denna lagringsmetod är 5000 gånger snabbare än traditionella metoder men kan fortfarande inte hålla jämna steg med Moores lag.

Fotonik

Fotonik är en annan metod för högpresterande beräkning som intresserar forskare. Fotonik fungerar genom att detektera ljusvågor med elektronik. Vetenskapen kretsar kring att generera och kontrollera ljus när det passerar genom en matris av programmerbara optiska vikter.

Dessa vikter integrerar en 2D‑matris av icke‑flyktiga optiska modulatorer som möjliggör en linjär transformation på en vektor av optiska ingångar. Denna strategi ger snabbare växlingshastigheter än RAM‑beräkningsmetoder.

Aktuella begränsningar för fotonik

Några av nackdelarna med fotonik i beräkning inkluderar att de nuvarande systemen bara kan skrivas om cirka 1000 gånger. Den begränsade livslängden gör dem till ett dyrt alternativ. Dessutom har de optiska vikterna låg lagringstäthet och programmering är långsammare än traditionella chip.

Fotontäta beräkningssystem finns i olika former och designer. Dock kräver dessa system specialiserade tillverkningsprocesser som är betydligt dyrare än deras motsvarigheter. Trots kostnadsbegränsningarna tror många forskare att fotonik är framtiden för beräkning och att Wrights lag är nyckeln till dess implementering.

Wrights lag

Det finns också Wrights lag, som kommer att fortsätta spela en roll i vår förmåga att utveckla halvledare. Denna lag är ett tillverkningsprincip som framfördes av flygingenjören Theodore Paul Wright. Medan han arbetade i en flygplanstillverkningsfabrik märkte han att arbetskraftsbehoven minskade med 15 % när tillverkningsprocesserna förbättrades, även när produktionsnivåerna ökade.

Dessa kostnadsbesparingar kom från förbättrade processer, teknik, återvinningssystem och andra uppgraderingar som gjordes under produktionen. Därför tror många analytiker att Wrights lag kommer att hjälpa till att göra fotonik till ett mer tillgängligt och mindre dyrt alternativ i framtiden.

Du kan redan se Wrights lag i verkan inom AI‑sektorn. För några år sedan skulle det ha varit omöjligt för den genomsnittliga personen att få tillgång till eller driva ett AI‑system. Att skapa AI‑modeller, hantera och uppgradera dem var helt enkelt för dyrt. Dessutom hade ingen skapat ett pålitligt sätt för AI att interagera med människor.

Men sedan program som ChatGPT kom på marknaden kan vem som helst nu använda dessa kraftfulla verktyg för att förbättra sin effektivitet och kreativitet. Dessa system integrerar stora språkmodeller som gör det enkelt för alla att använda dem via enkla chattkommandon. Denna utveckling drev AI‑adoptionen till nya höjder, vilket ledde till de nuvarande bristerna på beräkningskraft.

Fotonikstudie

Studien “Integrated non-reciprocal magneto-optics with ultra-high endurance for photonic in-memory computing“¹  publicerad i tidskriften Nature Photonics avslöjar en ny metod för optisk beräkning som kan revolutionera marknaden. Studien går på djupet med kodning av optiska vikter för in‑memory fotonisk beräkning i detalj.

Källa – Nature

Forskarna valde att använda magneto‑optiska minnesceller och en resonansbaserad fotonisk arkitektur för att uppnå sina beräkningsmål. Strategin bygger på icke‑reciprokt fasförskjutning i magneto‑optiska material som ett sätt att implementera fotonisk in‑memory beräkning.

En ny matematisk modell gjorde det möjligt för teamet att testa magneto‑optiska material. De fann att cerium‑substituerat yttriumjärngarn (YIG) gjorde det möjligt att använda ett externt magnetfält för att kontrollera ljusets spridning. Detta kontrollerade ljus kunde sedan användas för att utföra beräkningar.

Studien demonstrerade hur små magneter kan lagra data effektivt och komma åt den blixtsnabbt.

Kodningsprocessen för magneterna fungerar genom att ställa in enhetens magnetiska domänstyrka. För att driva enheten måste elektroniska signaler konverteras till den optiska domänen med elektro‑optiska (E/O) modulatorer för programmering och lagring. Därefter konverterar balanserade fotodetektorer (BPD) den differentiella optiska signalen tillbaka till en elektrisk signal så att CMOS‑logiken kan bearbeta den tillsammans med SRAM.

Fotoniktest

För att testa deras icke‑flyktiga magneto‑optiska minnescell satte forskarna upp olika tillvägagångssätt. De började med en 2‑bit elektrisk ingång som gjorde det möjligt att uppnå två positiva och två negativa optiska vikter. Därefter manipulerades det magnetiska fältet för att övervaka förändringar.

Cerium‑substituerat yttriumjärngarn (YIG),

Ett 500 nm tjockt enkristallint YIG odlades i laboratorium med en radiofrekvens‑sputtringsmetod vid 750 °C för testfasen. Specifikt bestämde teamet sig för att använda en wafer med en ringradie på 35 µm. Dessutom integrerades ett 10 nm tunt kiseloxidlager för att separera kisel‑lagret från Ce: YIG‑lagret.

Fotonikprogrammering

Programmering av minnescellens tillstånd kräver ett radiellt planmagnetiskt fält som levereras av en integrerad guld‑elektromagnet. Systemet kan elektroniskt mäta förändringar i optisk förlust beroende på riktning och magnetfält som appliceras via en ferromagnetisk tunn film.

Denna konfiguration skapar ett programmerbart, icke‑flyktigt magnetfält, vilket möjliggör för ingenjörer att inducera en icke‑reciprokt optisk fasförskjutning i minnescellen. Noterbart dokumenterade studien både medurs (CW) och moturs (CCW) lägen för en mikro‑ring resonator som ett sätt att programmera och komma åt beräkningsdata.

Fotoniklivscykel

Att testa minneslivscykeln var ett annat steg. Teamet programmerade en godtycklig funktionsgenerator som cyklade mellan skriv‑ och raderingspulser som en del av deras metod. Systemet justerades med en frekvens på 10 kHz. Ingenjörerna använde sedan en amplitud på ±5 V och en pulsbredde på 500 ns för att efterlikna verklig omskrivning. Resultaten var ögonöppnande.

Fotonikresultat

Testresultaten visade hur denna nya fotonikmetod kan förändra beräkning för alltid. För det första visade det nya systemet nästan obegränsade omskrivningsmöjligheter. Specifikt uppnåddes 2,4 miljard programmeringscykler.

Dessutom fastställde ingenjörerna att utnyttjandet av icke‑reciproka fasförskjutningar i magneto‑optiska material gör det möjligt att programmera dem deterministiskt snabbt och effektivt. Data visade att en programmeringshastighet på ~1 GHz var möjlig. Dessutom uppnådde teamet icke‑flyktighet och flernivåkodning som överträffar nuvarande metoder. Följaktligen kan denna forskning revolutionera datormarknaden framöver.

Fotonikfördelar

Flera fördelar gör fotonikstudien till en spelväxlare. För det första kan det nya systemet utföra komplexa operationer som kräver enorm beräkningskraft. Dessa system är idealiska för AI‑ och ML‑operationer som kräver matris‑vektormultiplikation och andra avancerade vetenskaper.

Minskad latens

Forskare fann att fotonik ger högre hastigheter jämfört med traditionella alternativ. Testfasen avslöjade 1 ns minnesåtkomst. Denna hastighet är 100 gånger snabbare än tidigare fotonikenheter, vilket öppnar dörren för en ny nivå av innovation.

Lägre energiförbrukning

Energieffektivitet är en annan fördel som fotoniksystemet erbjuder på marknaden. Detta system kan programmera om och komma åt minnet med en bråkdel av energikravet jämfört med andra alternativ. Teamet uppmätte en effektivitet på 143 fJ per bit, vilket placerar det nya systemets krav på 1/10 av andra fotonikalternativ.

Omprogrammerbar

En av de största fördelarna med fotonikforskning är avslöjandet att dessa enheter har en nästan oändlig omprogrammeringscykel. Inga andra lagringsalternativ för beräkning erbjuder användare möjlighet att skriva om data +2Bx. Därmed kan denna vetenskapliga forskning ha en genomslagseffekt på datacenter.

Fotonikforskare

Fotonikforskningen leddes av Santa Barbara, John Bowers och Galan Moody. Paolo Pintus, Nathan Youngblood, Yuya Shoji och Mario Dumont spelade också avgörande roller i forskningen och utvecklingen av fotoniksystemet. Nu kommer teamet att söka expandera sin forskning till andra material för att hitta det bästa alternativet för att driva morgondagens AI‑revolution.

Företag som kan dra nytta av fotonikforskningen

Det finns en mängd företag som kan använda denna forskning för att förbättra sina produkter och tjänster. Molnberäkningsnätverk och datacenter är två uppenbara sektorer som kommer att se stora intäktsökningar om de kan implementera denna teknik. Här är ett företag som är perfekt positionerat för att utnyttja denna information.

Snowflake

Snowflake (SNOW ) gick in på molnberäkningsmarknaden 2012. Företaget har huvudkontor i Montana och grundades av Benoît Dageville, Thierry Cruanes och Marcin Żukowski för att leverera högpresterande molnberäkning till marknaden. Idag spelar Snowflake en avgörande roll i att möjliggöra för företag att lagra, migrera och bearbeta data i molnet.

Snowflake ses av många som ett toppaktieval på grund av sitt engagemang för innovation, banbrytande tjänster och positionering. Företaget fick nyligen uppmärksamhet för sitt One Million Minds + One Platform‑initiativ som syftar till att uppgradera miljontals arbetare på AI till 2029.

Snowflake är ett av de mest ansedda namnen inom molnberäkningssektorn. För närvarande hanterar det över 4,2 miljarder förfrågningar dagligen och har över 10 000 kunder, inklusive 800 företag som har hamnat på Forbes‑listorna. Detta stöd och kundbas kan öka intresset för företagets aktier.

Om Snowflake kunde implementera ett fotoniskt lagringssystem i ett datacenter, skulle de kunna se enorma avkastningar. Systemet skulle ta upp mindre utrymme, kräva mindre energi och producera mycket mindre värme. Dessutom skulle de ha en obegränsad omskrivningslivslängd samtidigt som de kan erbjuda lägre latens till sina kunder. Detta skulle i sin tur kunna öka intäkterna.

Fotonik – att använda ljus för att ta beräkning till nästa nivå

Fotonik kan vara vad världen behöver för att låsa upp en ny nivå av beräkningsförståelse. Denna teknik erbjuder den livslängd och hållbarhet som ingenjörer söker idag. Följaktligen ser många denna forskning som avgörande för AI‑rörelsen. Alla dessa faktorer innebär att fotonisk beräkningsrörelse är precis i rätt tid.

Läs om andra spännande beräkningsprojekt här.

Studierreferens:

^{1. Pintus, P., Dumont, M., Shah, V., et al. (2025). Integrerade icke‑reciproka magneto‑optik med ultra‑hög uthållighet för fotonisk in‑memory beräkning. Nature Photonics, 19(1), 54–62. https://doi.org/10.1038/s41566-024-01549-1}