Programmerbart fotoniskt chip använder ljus för att påskynda AI-träning och minska energiförbrukningen

Redaktör:

En bild av ljuset inuti chipet - de vita streckade rutorna är ingångar och de gula streckade rutorna är utgångar. Kredit: Liang Feng, Tianwei Wu

Penn Engineers har utvecklat det första programmerbara chipet som kan träna icke-linjära neurala nätverk med hjälp av ljus – ett genombrott som dramatiskt kan påskynda AI-träning, minska energianvändningen och till och med bana väg för helt ljusdrivna datorer.

Dagens AI-chip är elektroniska och förlitar sig på elektricitet för att utföra beräkningar, men det nya chipet är fotoniskt, vilket innebär att det istället använder ljusstrålar. Chipet, som beskrivs i Nature Photonics, omformar hur ljuset beter sig för att utföra den olinjära matematik som är kärnan i modern AI.

”Olinjära funktioner är avgörande för att träna djupa neurala nätverk”, säger Liang Feng, professor i materialvetenskap och teknik (MSE) och i elektro- och systemteknik (ESE), och artikelns huvudförfattare. ”Vårt mål var att få detta att hända inom fotonik för första gången.”

Den saknade pusselbiten i fotonisk AI

De flesta AI-system är idag beroende av neurala nätverk, programvara som är utformad för att efterlikna biologisk nervvävnad. På samma sätt som nervceller kopplas samman för att biologiska varelser ska kunna tänka, kopplar neurala nätverk samman lager av enkla enheter, eller ”noder”, vilket gör det möjligt för AI-system att utföra komplexa uppgifter.

I både artificiella och biologiska system”avfyras” dessa noder först när ett tröskelvärde har uppnåtts – en olinjär process som gör att små förändringar i input kan orsaka större och mer komplexa förändringar i output.

Utan denna olinjäritet hjälper det inte att lägga till lager: systemet reduceras bara till en linjär operation med ett lager, där indata helt enkelt adderas och ingen verklig inlärning sker.

Många forskargrupper, bland annat vid Penn Engineering, har utvecklat ljusdrivna chip som kan hantera linjära matematiska operationer, men ingen har löst utmaningen att representera olinjära funktioner med hjälp av enbart ljus – förrän nu.

”Utan olinjära funktioner kan fotoniska chip inte träna djupa nätverk eller utföra verkligt intelligenta uppgifter”, säger Tianwei Wu (Gr’24), postdoktor i ESE och artikelns försteförfattare.

Omforma ljus med ljus

Teamets genombrott börjar med ett speciellt halvledarmaterial som reagerar på ljus. När en stråle med ”signalljus” (som innehåller indata) passerar genom materialet, lyser en andra ”pumpstråle” in ovanifrån och justerar hur materialet reagerar.

Genom att ändra form och intensitet på pumpstrålen kan teamet styra hur signalljuset absorberas, överförs eller förstärks, beroende på dess intensitet och materialets beteende. Denna process ”programmerar” chipet att utföra olika olinjära funktioner.

Postdoktor Tianwei Wu (t.v.) och professor Liang Feng (t.h.) i labbet, där de demonstrerar några av de apparater som använts för att utveckla det nya ljusdrivna chipet. Foto: Sylvia Zhang.
Postdoktor Tianwei Wu (t.v.) och professor Liang Feng (t.h.) i labbet, där de demonstrerar några av de apparater som använts för att utveckla det nya ljusdrivna chipet. Foto: Sylvia Zhang.

”Vi ändrar inte chipets struktur”, säger Feng. ”Vi använder själva ljuset för att skapa mönster inuti materialet, som sedan omformar hur ljuset rör sig genom det.”

Resultatet är ett omkonfigurerbart system som kan uttrycka ett brett spektrum av matematiska funktioner beroende på pumpmönstret. Denna flexibilitet gör att chipet kan lära sig i realtid och justera sitt beteende baserat på återkoppling från dess utdata.

Träning med ljusets hastighet

För att testa chipets potential använde teamet chipet för att lösa AI-problem med riktmärken. Plattformen uppnådde över 97% noggrannhet på en enkel icke-linjär beslutsgränsuppgift och över 96% på den välkända Iris-blommans datauppsättning – en maskininlärningsstandard.

I båda fallen matchade eller överträffade det fotoniska chippet traditionella digitala neurala nätverk, men använde färre operationer och behövde inte strömhungriga elektroniska komponenter.

Ett slående resultat var att bara fyra icke-linjära optiska anslutningar på chipet motsvarade 20 linjära elektroniska anslutningar med fasta icke-linjära aktiveringsfunktioner i en traditionell modell. Denna effektivitet ger en antydan om vad som är möjligt när arkitekturen skalas upp.

Till skillnad från tidigare fotoniska system – som är fixerade efter tillverkning – börjar Penn-chipet som en tom duk. Pumpljuset fungerar som en pensel som ritar omprogrammerbara instruktioner i materialet.

”Det här är ett verkligt proof-of-concept för en fältprogrammerbar fotonisk dator”, säger Feng. ”Det är ett steg mot en framtid där vi kan träna AI med ljusets hastighet.”

Framtida riktningar

Även om det aktuella arbetet fokuserar på polynom – en flexibel familj av funktioner som ofta används inom maskininlärning – tror teamet att deras tillvägagångssätt kan möjliggöra ännu kraftfullare operationer i framtiden, till exempel exponentiella eller inversa funktioner. Det skulle bana väg för fotoniska system som tar itu med storskaliga uppgifter som att träna stora språkmodeller.

Genom att ersätta värmealstrande elektronik med optiska komponenter med låg energiförbrukning lovar plattformen också att minska energiförbrukningen i AI-datacenter – vilket potentiellt kan förändra ekonomin för maskininlärning.

”Det här kan vara början på fotonisk databehandling som ett seriöst alternativ till elektronik”, säger Liang. ”Penn är födelseplatsen för ENIAC, världens första digitala dator – det här chipet kan vara det första riktiga steget mot en fotonisk ENIAC.”

För mer information: Tianwei Wu et al, Field-programmable photonic nonlinearity, Nature Photonics (2025). DOI: 10.1038/s41566-025-01660-x

Fortsätt utforska