De dybe neurale netværksmodeller, der driver nutidens mest krævende maskinlæringsapplikationer, er blevet så store og komplekse, at de presser grænserne for traditionel elektronisk hardware. Fotonisk hardware, der udfører maskinlæringsberegninger med lys, tilbyder et hurtigere og mere energieffektivt alternativ. Indtil for nylig har der dog været visse typer neurale netværksberegninger, som fotoniske enheder ikke kunne udføre, hvilket krævede ekstern elektronik og dermed hæmmede hastighed og effektivitet.
I et skridt, der kan omdefinere fremtidens infrastruktur for kunstig intelligens, lancerede Lightmatter i april 2025 deres banebrydende Envise-fotonikchip, designet til markant at reducere energiforbruget og samtidig accelerere AI-arbejdsbyrder. Envise-chippen – der udnytter lys i stedet for elektroner til beregninger – lover en løsning på de voksende ineffektiviteter ved konventionelle siliciumchips, netop som AI-modeller kræver hidtil uset processorkraft. Med en værdiansættelse på 4,4 milliarder dollars efter en finansieringsrunde på 850 millioner dollars, positionerer Lightmatter sig i spidsen for et nyt computerparadigme.
Lightmatters fotoniske processorer bruger lys til at udføre beregninger, især tensoroperationer, som er centrale for dyb læring. Ved at manipulere lys gennem optiske komponenter som bølgeledere og linser udfører disse chips beregninger med lysets hastighed og opnår næsten elektronisk præcision, samtidig med at strømforbruget reduceres markant. For eksempel udfører deres fotoniske processor 65,5 billioner Adaptive Block Floating-Point 16-bit operationer i sekundet med kun 78 watt elektrisk effekt.
Samtidig demonstrerede Q.ANT sin fotoniske Native Processing Server (NPS) på ISC 2025 i juni. Baseret på Q.ANTs Light Empowered Native Arithmetic (LENA)-arkitektur leverer NPS op til 30 gange højere energieffektivitet end konventionelle teknologier med imponerende specifikationer: 16-bit flydende præcision med 99,7% nøjagtighed for alle beregninger, 40–50% færre operationer for samme output og intet behov for aktiv køleinfrastruktur.
Ud over ydelsesforbedringer har forskere også vist, at selv småskala kvantecomputere kan forbedre maskinlæringsydelsen ved hjælp af nye fotoniske kvantekredsløb. Deres resultater indikerer, at nutidens kvanteteknologi ikke blot er eksperimentel – den kan allerede overgå klassiske systemer i specifikke opgaver. Bemærkelsesværdigt kan denne fotoniske tilgang også drastisk reducere energiforbruget og dermed tilbyde en bæredygtig vej fremad, i takt med at maskinlæringens energibehov stiger.
Efterhånden som kunstig intelligens fortsætter sin svimlende udvikling, skaber det stigende behov for regnekraft – især til krævende inferensopgaver, som det ses med generative AI-modeller som ChatGPT – store udfordringer for konventionelle elektroniske systemer. Fremskridt inden for fotonik har vakt stor interesse for fotonisk databehandling som en lovende AI-beregningsmetode. Gennem den dybe sammensmeltning af AI og fotonikteknologier udvikler intelligent fotonik sig som et nyt tværfagligt felt med stort potentiale til at revolutionere praktiske anvendelser.