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.

Bunun yanında maliyet, hacim ve düşük modülasyon hızları mevcut optik düzeneklerin çoğunu sınırlıyor.

Yeni bir çalışma, hız, verimlilik ve kompaktlığı tek bir çipte birleştiren yeni bir optik motorla bu sınırlamaların bir kısmını aşma yönünde büyük bir adım attı.

Tsinghua Üniversitesi araştırmacıları, özellik çıkarımını benzeri görülmemiş derecede düşük gecikmeyle gerçekleştiren çığır açıcı bir optik sistem geliştirdi. Sistem, yapay zekâ işlemede devrim yaratma potansiyeli taşıyor.

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. 

Atılım: Tsinghua’nın Optik Motoru ve Gerçek Zamanlı Yapay Zekâ

Moore Yasası, bir mikroçipteki transistör sayısının yaklaşık iki yılda bir ikiye katlandığını söyler. Bunun sonucunda bilgi işlem gücü artar, maliyet düşer ve cihazlar genel olarak küçülür.

Yarı iletken sektöründeki yenilikleri uzun süredir yönlendiren bu eğilim artık sona yaklaşıyor. Transistörler yalnızca birkaç nanometreye kadar küçüldüğünden, silikon tabanlı teknolojinin fiziksel sınırlarına yaklaşıyor.

Küçülen boyutlar elektron tünellemesine ve kaçak akımlara yol açarak enerji tüketimini ve ısı üretimini artırırken, en gelişmiş mikroçipleri üretmenin maliyeti de hızla yükseldi. Bu sırada silikonun kendisi performans ve ölçeklenebilirlik sınırlarına ulaşıyor.

Bu nedenle araştırmacılar ve şirketler çipletler, paket içinde sistem (SiP), kalıcı bellek, kuantum hesaplama, biyolojik hesaplama ve elbette fotonik gibi alternatif çözümleri araştırıyor.

Bu alternatifler arasında fotonik, yapay zekâ uygulamaları için özellikle umut vadediyor. Işığın gücünden yararlanılarak makine öğrenmesinin kritik bir aşaması olan özellik çıkarımı büyük ölçüde hızlandırılabilir.

Özellik çıkarımı, ham verileri makine öğrenmesi modellerinin temel problemi daha iyi temsil etmesini sağlayan sadeleştirilmiş sayısal özelliklere dönüştürme işlemidir. Bu teknik, en ilgili bilgileri ayıklamak için veri karmaşıklığını azaltır ve algoritmaların performansını ve verimliliğini artırır.

Işık özellik çıkarımını hızlandırabilse de hızlı optik hesaplamalar için kararlı ve uyumlu ışığı korumak son derece zordur.

Bu sorunu çözmek için Tsinghua Üniversitesi araştırmacıları, çok sayıda pratik uygulamada optik özellik çıkarımı yapabilen ikinci nesil bir optik özellik çıkarım motoru (OFE2) geliştirdi¹. Çipe entegre sistem, kararlı ve paralel optik sinyaller sağlamak için ayarlanabilir güç bölücüler ve hassas gecikme hatları kullanıyor.

Sistem, giriş sinyalini birden fazla eşzamanlı ışık dalgasına örnekleyerek gelen veri akışını seri biçimden çıkarıyor ve paralel, gerçek zamanlı işlemeyi mümkün kılıyor.

Bu ışık dalgaları daha sonra, ışık içinden geçerken hesaplama yapan mikroskobik plaka benzeri bir yapı olan kırınım operatöründen geçiyor. İşlem, verileri dönüştürmek ve işlemek için kullanılan temel bir yapay zekâ işlemi olan matris-vektör çarpımını taklit ediyor.

Kırınıma uğrayan ışığın çıkışta odaklanmış bir “parlak nokta” oluşturması bu işlemin temelidir. Paralel giriş ışıklarının fazı ayarlanarak ışık belirli bir çıkış portuna kısmen yönlendirilebilir. Çıkış gücündeki bu hareket ve ona eşlik eden değişimler, OFE2’nin giriş sinyalinin zaman içindeki değişim özelliklerini yakalamasını sağlar.

OFE2, optik hesaplama için rekor olan 12,5 GHz hızında çalışıyor ve tek bir matris-vektör çarpımını 250,5 ps içinde tamamlayabiliyor. Bu, benzer optik hesaplama uygulamaları arasındaki en düşük gecikmedir.

“Bu çalışmanın, gerçek dünya uygulamalarında 10 GHz hızını aşan entegre optik kırınım hesaplamalarının geliştirilmesi için önemli bir ölçüt sunduğuna kesinlikle inanıyoruz.”

— Araştırmayı Tsinghua Üniversitesi’ndeki ekibiyle birlikte yürüten Profesör Hongwei Chen

Ekip, sisteminin güçlü yeteneklerini farklı görevlerde gösterdi.

Dijital ticaret göreviyle test edildiğinde OFE2 etkileyici sonuçlar verdi. Yatırımcı gerçek zamanlı fiyat sinyallerini OFE2’ye aktarıyor; en uygun biçimde yapılandırılmış motor da ışık hızında çalıştığı için çıkış sinyallerini çok düşük gecikmeyle doğrudan alım veya satım kararlarına dönüştürerek istikrarlı kârlılık sağlamayı amaçlıyor.

Ekip OFE2’yi görüntü işlemek için de kullandı. Motor, giriş görüntülerinden kenar özelliklerini çıkararak kabartma ve gravür etkilerini andıran iki tamamlayıcı özellik haritası oluşturdu. OFE2’nin ürettiği optik özellikler görüntü sınıflandırmasında çok daha iyi performans gösterdi ve bilgisayarlı tomografi taramalarında organları belirlemek gibi anlamsal bölütleme görevlerinde piksel doğruluğunu artırdı.

Daha önemlisi, yapay zekâ sistemleri OFE2 kullandığında daha az elektronik parametreye ihtiyaç duyuyor. Bu da optik ön işlemenin daha hafif, daha verimli ve daha ucuz hibrit yapay zekâ sistemlerini mümkün kılabileceğini gösteriyor. Ağır iş optik ön işlem tarafından yapılırken modeller öğrenme ve yorumlamaya odaklanabiliyor.

Bu sonuçlar, en yoğun hesaplama yüklerinin elektronikten fotoniğe taşınabileceğini ve gerçek zamanlı yapay zekâ modellerinin önünü açabileceğini gösteriyor.

Araştırmacılara göre cihaz, yük altında bile iyi sinyal bütünlüğünü korurken çok büyük veri akışlarını son derece düşük enerji kaybıyla işleyebiliyor.

Chen, “Çalışmamızda sunulan gelişmeler, entegre kırınım operatörlerini daha yüksek hızlara taşıyarak görüntü tanıma, destekli sağlık hizmetleri ve dijital finans gibi alanlardaki yoğun hesaplama gerektiren hizmetleri destekliyor,” dedi. “Yoğun veri işlemeye ihtiyaç duyan ortaklarla iş birliği yapmayı sabırsızlıkla bekliyoruz.”

Silikon fotonik sayesinde ışık hızında hesaplamanın nasıl mümkün olduğunu öğrenmek için buraya tıklayın.

Hesaplamayı Fotonikle Yeniden Tasarlama Yarışı

Kaydırmak için yana sürükleyin →

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.

Çalışmanın ortak yazarı ve Microsoft yapay zekâ araştırmacısı Jannes Gladrow, şirketin blog yazısında “AOC’nin sağladığı en önemli yön, enerji verimliliğinde yaklaşık yüz kat iyileşme öngörmemizdir,” dedi. “Bu tek başına donanım dünyasında daha önce 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.

Microsoft Research Cambridge baş araştırmacısı Francesca Parmigiani, IBM ile yaptığı röportajda sistemlerinin “çift alan yeteneğine” sahip olduğunu söyledi. Bu, aynı donanımla iki farklı görev türünü yerine getirebildiği anlamına geliyor ve her iki problemin çözüm yolunu birbirine bağlayan sabit nokta aramasıyla gerçekleştiriliyor.

“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 ise fotonları hesaplama yapmak için değil, bilgiyi daha hızlı taşımak için kullanıyor. IBM Research araştırmacısı Jean Benoît Héroux, “Yapay zekâ uygulamalarında çok yüksek yoğunluklu veri göndermek için ışığı kullanıyoruz,” diyor. Şirket çipler, bellek ve kartlar arasında veri aktaran fotonik bağlantılar geliştiriyor.

Fotonik Hesaplamaya Yatırım

Fotonik hesaplamanın ivmesi, daha hızlı yapay zekâ hesaplamasına yönelik talep artarken büyük teknoloji şirketlerinin dikkatini çekiyor. Yapay zekânın gözde şirketi NVIDIA (NVDA ) da donanımını daha ileri taşımak için fotonik ara bağlantıları 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.

Şirket bu yılın başlarında, geleneksel ağlara kıyasla 10 kat daha yüksek ağ dayanıklılığı, 3,5 kat daha iyi güç verimliliği ve 1,3 kat daha hızlı kurulum süresi sağlayan birlikte paketlenmiş optikli (CPO) fotonik anahtarları piyasaya sürdü.

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, 2026 mali yılının ikinci çeyreğinde 46,7 milyar dolar gelir açıkladı. Toplam gelir önceki çeyreğe göre %6 artarken veri merkezi geliri %5 artışla 41,1 milyar dolara, Blackwell Veri Merkezi geliri ise çeyreklik bazda %17 yükseldi.

Sonuç

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.

Işıkla çalışan bir çipin yapay zekâ verimliliğini nasıl 100 kat artırdığını öğrenmek için buraya tıklayın.

Kaynaklar

^{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}