Silikondan Işığa: Bir Sonraki AI Donanım Dalgası

Yapay zeka (AI) giderek daha popüler ve güçlü hale geldikçe, hıza ve enerjiye olan açlığı da artıyor. Daha hızlı, daha akıllı ve daha verimli sistemlere duyulan ihtiyaç, araştırmacıları radikal bir alternatif olan optik hesaplamayı keşfetmeye yönlendirdi.

Geleneksel işlemcilerin elektron kullandığına karşılık, optik hesaplama ışık parçacıkları olan fotonları bilgi iletmek ve işlemek için kullanır. Bu değişim iki kritik avantaj sunar.

İlk olarak, fotonlar enerji açısından son derece verimlidir. Elektronların ürettiği ısı, performanslarını sınırlayan ve veri merkezlerinde büyük, pahalı soğutma sistemlerine ihtiyaç duyan bir sorundur.

İkinci olarak, ışık elektrik akımlarından çok, çok daha hızlı yol alır; bu da işlemlerin dramatik bir şekilde hızlanmasını sağlar. Optik sinyaller aynı zamanda daha fazla bilgi taşıyabilir, bu da daha temiz ve daha hızlı bir hesaplama yolunu basitleştirir.

Sonuç olarak, fotonik hesaplamaya yönelik ilgi giderek artıyor. Teknoloji laboratuvar ortamlarında umut verici sonuçlar gösteriyor ve büyük şirketlerin önemli yatırımlarını çekiyor.

Bununla birlikte, bu laboratuvar başarısını pratik fotonik cihazlara dönüştürmek oldukça zor oldu. Bunun için önce birkaç engeli aşmamız gerekiyor. Fotonlar doğal olarak birbirleriyle etkileşime girmez, bu da bilgisayarların temelini oluşturan optik mantık kapılarını inşa etmeyi zorlaştırır. Ayrıca teknoloji hâlâ araştırma aşamasında olduğundan, elektronik çip üretiminin on yıllarca süren ticarileşmesi sayesinde elde edilen olgunluk ve ölçek ekonomilerine sahip değildir.

Sonra maliyet, hacim ve düşük modülasyon oranları kısıtlayan mevcut çoğu optik kurulum. 

Yeni bir çalışma, bazı sınırlamaları aşmak için büyük bir adım attı yeni bir optik motor, ki hız, verimlilik ve kompaktlığı tek bir çipte birleştirir.

Tsinghua Üniversitesi araştırmacıları, özellik çıkarımını benzeri görülmemiş düşük gecikmeyle gerçekleştiren çığır açıcı bir optik sistem geliştirdi, bu da AI işleme devrim yaratma potansiyeline sahiptir.

Verileri işlemek için elektriğe değil ışığa dayanması, teknolojinin hesaplamayı önemli ölçüde hızlandırmasını ve gecikmeyi en aza indirmesini sağlıyor; bu da gerçek zamanlı AI yönünde büyük bir sıçrama.

Bu yeni sistemin çekirdeğinde, yarı iletken optik yükseltici tabanlı bir Mach-Zehnder girişimcisi (SOA-MZI) bulunuyor.

SOA, uyarılmış emisyon yoluyla ışık sinyallerini doğrudan yükselten kompakt bir cihazdır.

Bu arada, MZI, en eski optik aletlerden biri olarak, iki farklı uzunlukta dalga kılavuzuna bağlanan iki kuplajdan oluşan temel bir dalga kılavuzu girişim cihazıdır.

Şimdi, SOA-MZI kurulumu, ışığın derin öğrenmenin temelini oluşturan işi yürütmesine izin verir. Buradaki bilgi işlenir ve desenler ile kenarlar gibi özellikler ışık sinyalinde tespit edilir, bunları tekrar elektriğe dönüştürmeye gerek kalmadan.

Ayrıca, cihaz dalga boyu bölmeli çoklama (WDM) yöntemini kullanır. Bu yöntem ışığı bir renk spektrumuna ayırır; her renk kendi veri akışını taşır. WDM’den yararlanmak, çipin paralel olarak birçok hesaplamayı yürütmesini sağlar ve böylece veri işleme hızını artırır. 

Laboratuvarda test edildiğinde, motor kanal başına saniyede 10 gigabit (Gbps) kadar veri işledi ve gecikmesi sadece ondalık pikosaniyeler (ps) seviyesindeydi. Bir ps, 1.000 femtosaniyeye ya da bir nanosaniyenin binde birine eşittir.

Bu sonuçlar, motorun herhangi bir elektronik işlemcinin hayal edebileceği hızdan çok daha hızlı olduğunu gösteriyor.

Bu hızın anlamı, sistemin gerçek zamanlı bilgi işleyebildiği, bu yüzden yüksek frekanslı ticaret, tıbbi görüntüleme, robotik cerrahi veya otonom araçlar gibi uygulamalar için mükemmel olduğu anlamına gelir. Bu uygulamalar, AI’nın ham veriden anahtar özellikleri hızla çıkarmasına dayanır; bu yüzden milisaniyeler bile büyük bir öneme sahiptir. 

The Breakthrough: Tsinghua’s Optical Engine and Real-Time AI

Moore’s law says the number of transistors on a microchip doubles about every two years. This results in an increase in computing power, a decrease in cost, and overall smaller devices.

This trend, which has been driving innovation in the semiconductor industry, now seems to be coming to an end. Having shrunk to sizes just a few nanometers, transistor sizes are approaching the physical limits of silicon-based technology.

Besides the smaller size, which leads to electron tunneling and leakage currents that increase energy use and heat generation, the cost of manufacturing cutting-edge microchips has skyrocketed. Meanwhile, silicon itself is reaching its performance and scalability limits.

This is why researchers and companies have been exploring alternative solutions like chiplets, system-in-package (SiP), non-volatile memory, quantum computing, biocomputing, and, of course, photonics. 

Among these alternatives, photonics shows particular promise for AI applications. By harnessing the power of light, feature extraction, a critical step in machine learning, can be greatly accelerated. 

Feature extraction is the process of transforming raw data into a simplified set of numerical features that better represent the underlying problem for machine learning (ML) models. This technique reduces data complexity to extract the most relevant information, thereby improving the performance and efficiency of ML algorithms.

While light can speed up feature extraction, maintaining stable, coherent light for fast optical computations is extremely challenging. 

To tackle this, researchers from Tsinghua University developed a second-generation optical feature extraction engine (OFE2)¹ that can perform optical feature extraction for numerous practical applications. The integrated on-chip system uses tunable power splitters and precise delay lines to deliver stable, parallel optical signals.

The system deserializes the incoming stream of data by sampling the input signal into multiple synchronized light waves that allow for parallel, real-time processing.

These light waves then pass through the diffraction operator, a microscopic plate-like structure that performs calculations as light propagates through it. This operation mirrors matrix-vector multiplication, a fundamental AI operation used to transform and process data.

How the diffracted light creates a focused ‘bright spot’ at the output is fundamental to this operation, as it can be partially deflected toward a particular output port by adjusting the phase of the parallel input lights. It is this movement in output power, along with the corresponding changes, that allows their engine, aka OFE2, to capture features of the input signal’s variations over time.

OFE2 operates at a rate of 12.5 GHz, a record in optical computing, and can perform a single matrix-vector multiplication within 250.5 ps, which is the lowest latency among similar implementations of optical computing.

“We firmly believe this work provides a significant benchmark for advancing integrated optical diffraction computing to exceed a 10 GHz rate in real-world applications.”

– Professor Hongwei Chen, who, along with his team at Tsinghua University, conducted this research

The team demonstrated the strong capabilities of their system across different tasks.

When tested for a digital trading task, OFE2 achieved impressive results. A trader feeds real-time price signals into OFE2, and the optimally configured engine generates output signals that are directly translated into buy or sell decisions to achieve stable profitability with minimal delay, as the system operates at the speed of light.

The team also used OFE2 to process images, where the engine extracted edge features from input images and created two complementary feature maps resembling relief and engraving effects. The optical features produced by OFE2 performed much better in classifying images and boosted pixel accuracy in semantic segmentation, like identifying organs in computed tomography (CT) scans.

More importantly, when AI systems use OFE2, they need fewer electronic parameters, showcasing the potential of optical pre-processing to enable lighter, more efficient, and less expensive hybrid AI systems. The hard work is performed by optical pre-processing, while the AI models can focus on learning and interpretation.

These results suggest that the most intense computational loads can be moved from electronics to photonics, unlocking a future of real-time AI models.

According to the researchers, their device can process huge data streams with very little energy loss while maintaining good signal integrity even under load.

“The advancements presented in our study push integrated diffraction operators to a higher rate, providing support for compute-intensive services in areas such as image recognition, assisted healthcare, and digital finance,” said Chen. “We look forward to collaborating with partners who have data-intensive computational needs.”

Click here to learn about how computing at the speed of light becomes possible with silicon photonics.

The Global Race to Reinvent Computation with Photonics 

Swipe to scroll →

Tsinghua’dan gelen ilerleme, daha büyük bir küresel değişimin parçasıdır. Dünya çapındaki bilim insanları, elektronik darboğazları aşmak için ışığa yöneliyor.

Bu yılın başlarında, Çin’den bir başka ekip çipini tanıttı, bu çip ışığı kullanarak işlemcileri senkronize ediyor ve bir sonraki nesil iletişim ve yüksek hızlı AI hesaplamasını açığa çıkarabilir.

Geleneksel çipler saat sinyallerini elektronik osilatörlerle üretir, ve genellikle tek bir ana saat hızında çalışırlar, bu da farklı uygulamaların farklı çip üretim teknolojileri gerektirmesine yol açar. Çin’in Pekin Üniversitesi liderliğindeki uluslararası bilim insanları grubu, “fotonları bir ortam olarak kullanarak saat sinyalleri üretir” diyor.

Onlar, sistemdeki elektronikler için referans saatler sağlayan tek frekanslı ve geniş bantlı sinyaller sentezleyebilen “çip üzeri mikro komb” geliştirdiler.

“Çip üzerindeki bir pist gibi görünen bir halka inşa ederek, ışık ışık hızında sürekli ‘koşabilir’. Her turun süresi daha sonra çip üzeri saat standardı olarak kullanılır,” diyor lider yazar Chang Lin, Pekin Üniversitesi Bilgi ve İletişim Teknolojileri Enstitüsü’nde yardımcı profesör. “Bir tur birkaç milyardıncı saniye sürer, bu da saatin ultra yüksek bir hızda zamanı düzenlemesini sağlar.”

Yeni teknolojiyle donatılmış çipler, çeşitli mikrodalga frekans bantlarını kapsayabilir.

Ekip, 100 GHz’den fazla bir saat hızına ulaştı ve 8 inçlik wafer’larda binlerce aynı çipi üretebileceklerini, aynı zamanda kararlılık sorunlarını çözdüklerini ve paketleme süreçlerini optimize ettiklerini belirtti.

Başka bir uluslararası araştırmacı ekibi, Moore Yasası’nın sınırlamalarını fotonikle ele almaya çalıştı, ancak Moore’un Yasası sınırlamalarını ele almayı² denedi ve manyeto-optik bir malzeme kullandılar. Malzeme, dış manyetik alanlara yanıt olarak optik özellikleri dinamik olarak değişen sezyum ikame edilmiş itriyum demir garnit (YIG) dir.

Küçük manyetler kullanarak veriyi depolamak ve ışığın malzeme içindeki aktarımını kontrol etmek, araştırmacılar yeni bir manyeto-optik bellek türü geliştirdi.

Bu yeni bellek sınıfı, çalışmaya göre, gelişmiş fotonik entegre teknolojisine göre 100 kat daha hızlı geçiş hızına, yaklaşık on kat daha az enerji tüketimine sahiptir ve 2,3 milyar kez yeniden programlanabilir; bu da sınırsız bir ömür anlamına gelebilir.

Bu arada ABD’de, MIT’den bilim insanları bir fotonik işlemci gösterdi³; bu işlemci çip üzerinde AI hesaplamalarını tamamen optik olarak yapabiliyor. Optik cihazları, bir makine öğrenimi sınıflandırma görevinin temel hesaplamalarını yarım nanosaniyeden daha kısa sürede %92 doğrulukla tamamladı.

Çalışmalarında, bilim insanları optikteki doğrusal olmayanluk sorununu ele almak için doğrusal olmayan optik fonksiyon birimleri (NOFUs) tasarladılar; bu, fotonların birbirleriyle kolayca etkileşime girmemesi nedeniyle optik doğrusal olmayanlıkların etkinleştirilmesinin enerji yoğun olmasından kaynaklanıyor. NOFUs, optik ve elektronik birleştirerek çip üzerinde doğrusal olmayan işlemleri bütünleştiriyor.

Üniversiteler kanıt kavramı optik çiplerini gösterirken, büyük teknoloji şirketleri de geride kalmıyor; bu prensiplerin ticari AI sistemlerini daha hızlı ve daha yeşil hale getirebileceğini aktif olarak araştırıyorlar.

Microsoft araştırmacıları bir ışık tabanlı bilgisayar detaylandırdı⁴, bu bilgisayar kamera sensörleri ve mikro-LED’ler kullanarak AI’yı yüz kat daha verimli hâle getiriyor. Teknoloji devinin prototip analog optik bilgisayarı (AOC), bir problemi sayısız kez hesaplıyor ve her seferinde “kararlı durum” elde edilene kadar iyileşiyor.

“AOC’nin en önemli yönü, enerji verimliliğinde yaklaşık yüz katlık bir iyileşme tahmin ediyoruz,” diyor çalışma ortak yazarı Jannes Gladrow, Microsoft’ta bir AI araştırmacısı, şirketin blog gönderisinde. “Bu tek başına donanımda görülmemiş bir şey.”

Aynı zamanda ekip, fiziksel AOC’nin hesaplamalarını taklit eden ve daha fazla değişken ve daha karmaşık hesaplamaları ölçeklendirebilen bir “dijital ikiz” programladı. Model, ekip tarafından “şu anda cihazın çözebileceğinden daha büyük problemler üzerinde çalışılmasını” sağlıyor, diyor Microsoft Health Futures’tan kıdemli direktör Michael Hansen.

Bilgisayar zaten bazı görevleri, örneğin MRI görüntü yeniden yapılandırma, finansal işlem eşleştirme ve basit AI çıkarımı gibi görevleri halledebiliyor.

AOC’yi test etmek için ekip önce ona bir görüntü sınıflandırma görevi verdi; fiziksel AOC dijital bilgisayar seviyesinde bir performans gösterdi. Dijital ikizi daha sonra bir beyin taraması görüntüsünü orijinal verinin sadece %62,5’iyle yeniden oluşturdu ve bunu doğru bir şekilde yaptı. Bu başarı, bilim insanlarının MRI süresini kısaltabileceğine inanıyor.

AOC ayrıca finansal problemleri çözmek için kullanıldı; bu alanda mevcut kuantum bilgisayarlardan daha yüksek bir başarı oranına sahipti.

IBM ile bir röportajda, Microsoft Research Cambridge’den Principal Researcher Francesca Parmigiani, sistemlerinin “çift alan yeteneği” olduğunu söyledi, bu da aynı donanım parçası ile iki tür görevi yerine getirebilecekleri anlamına geliyor. Bu, her iki problemin çözüm yolunu bağlayan sabit nokta aramasıyla yapılır.

“Beni en çok heyecanlandıran şey, aynı donanımda hem AI hem de optimizasyon iş yüklerini çalıştırabiliyor olmamız,” dedi. “Henüz küçük bir ölçeğiyiz, ama bu önemli bir ilk adım.”

IBM kendisi fotonları, hesaplama yapmak için değil, bilgiyi daha hızlı taşımak için kullanıyor. “AI uygulamaları için çok yüksek yoğunlukta veri göndermek için ışığı kullanıyoruz,” diyor IBM Research’ten Araştırma Bilimcisi Jean Benoît Héroux. Çipler, bellek ve kartlar arasında veri transferi yapan fotonik bağlantılar geliştiriyorlar.

Investing in Photonics Computing 

Fotonic hesaplamanın ivmesi, büyük teknoloji oyuncularının dikkatini çekiyor ve AI’nın daha hızlı hesaplama talebiyle birlikte, AI sevilen NVIDIA (NVDA ) da fotonik interconnect’ler ve optik ağları entegre etmenin yollarını araştırıyor.

GPU odaklı AI devrimini yöneten NVIDIA, geleneksel çip mimarilerini sınırlayan bant genişliği darboğazlarını aşmak için optik veri iletimini araştırıyor.

Bu yılın başlarında şirket fotonic anahtarlar co-packaged optics (CPO) ile piyasaya sürdü; bu anahtarlar %10 kat daha yüksek ağ dayanıklılığı, %3.5 daha iyi güç verimliliği ve %1.3 daha hızlı dağıtım süresi sağlıyor, geleneksel ağlara kıyasla.

Hisse senedi performansına gelince, bu hafta , şirket $5 trilyonluk piyasa değerine ulaşan ilk şirket oldu ve hisse fiyatı $212’yi aşarak yeni bir tüm zamanların en yüksek seviyesine (ATH) ulaştı. Şu anda $207’de işlem gören NVIDIA hisseleri YTD %54’ten fazla artış gösteriyor.

EPS (TTM) 3.51 ve P/E (TTM) 58.93. %0.02 temettü getirisi NVIDIA hissedarlarına ödeniyor.  

Nvidia’nın finansal konumuna gelince, şirket 46.7 milyar dolar gelir açıkladı 2026 mali yılının ikinci çeyreği için. Toplam gelir bir önceki çeyreğe göre %6 artarken, veri merkezi geliri %5 artarak 41.1 milyar dolara yükseldi; Blackwell Veri Merkezi geliri %17 artış gösterdi.

Conclusion

AI çılgınlığı tüm dünyaya yayıldıkça, araştırmacılar ve şirketler elektronları fotonlarla değiştirerek yeni bir hız, ölçeklenebilirlik ve enerji verimliliği dünyasını açmaya çalışıyor. AI altyapısını yeniden tanımlama çabasında, Tsinghua Üniversitesi’nin optik motorundaki son atılım, ışık tabanlı sistemlerin belirli görevlerde elektronik muadillerine eşit ya da hatta üstün olabileceğini gösteriyor.

Ancak fotonik hesaplama hâlâ test aşamasında. Fotonik hesaplama olgunlaşıp maliyet etkin hale geldiğinde, ışık hızında çalışan bir çağın habercisi olabilir.

Click here to learn how a light-powered chip is boosting AI by 100x.

References

^{1. Sun, R., Zhang, L., Li, Y., Wang, X., Chen, J., & Zhao, Q. (2025). High-speed and low-latency optical feature extraction engine based on diffraction operators. 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). Integrated non-reciprocal magneto-optics with ultra-high endurance for photonic 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 photonic deep neural network with forward-only 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). Analog optical computer for AI inference and combinatorial optimization. Nature, 645(8080), 354-361. https://doi.org/10.1038/s41586-025-09430-z}