Nykypäivän vaativimpia koneoppimissovelluksia pyörittävät syväneuroverkkomallit ovat kasvaneet niin suuriksi ja monimutkaisiksi, että ne asettavat perinteisen elektronisen laskentaraudan äärirajoille. Fotoniikkaan perustuva laitteisto, joka suorittaa koneoppimisen laskentaa valolla, tarjoaa nopeamman ja energiatehokkaamman vaihtoehdon. Vielä äskettäin oli kuitenkin olemassa eräitä neuroverkkojen laskentatyyppejä, joita fotoniset laitteet eivät kyenneet suorittamaan, mikä vaati ulkoisia elektroniikkakomponentteja ja heikensi nopeutta sekä tehokkuutta.
Huhtikuussa 2025 Lightmatter esitteli mullistavan Envise-fotonilaskentasirunsa, joka on suunniteltu vähentämään radikaalisti energiankulutusta ja nopeuttamaan tekoälytehtäviä. Envise-siru hyödyntää laskennassa valoa elektronien sijaan ja tarjoaa ratkaisun perinteisten piisirujen kasvaviin tehottomuuksiin juuri, kun tekoälymallit vaativat ennennäkemätöntä laskentatehoa. Lightmatterin arvo nousi 4,4 miljardiin dollariin 850 miljoonan dollarin rahoituskierroksen jälkeen, ja yhtiö asemoituu uuden laskentaparadigman kärkeen.
Lightmatterin fotoniset prosessorit käyttävät valoa laskentaan, erityisesti syväoppimisen keskeisiin tensorilaskuihin. Manipuloimalla valoa optisilla komponenteilla, kuten aaltokanavilla ja linsseillä, nämä sirut suorittavat laskutoimitukset valon nopeudella, saavuttaen lähes elektronisen tarkkuuden mutta kuluttaen huomattavasti vähemmän energiaa. Esimerkiksi yhtiön fotoniprosessori kykenee 65,5 biljoonaan Adaptive Block Floating-Point 16-bittiseen operaatioon sekunnissa vain 78 watin sähköteholla.
Samaan aikaan Q.ANT esitteli fotonisen Native Processing Serverinsa (NPS) ISC 2025 -tapahtumassa kesäkuussa. Q.ANT:n Light Empowered Native Arithmetic (LENA) -arkkitehtuuriin perustuva NPS tarjoaa jopa 30-kertaisen energiatehokkuuden verrattuna perinteisiin teknologioihin vaikuttavilla ominaisuuksilla: 16-bittinen liukulukutarkkuus 99,7 %:n tarkkuudella kaikissa laskutoimituksissa, 40–50 % vähemmän operaatioita vastaavan tuloksen saavuttamiseksi, eikä tarvetta aktiiviselle jäähdytykselle.
Suorituskyvyn parantamisen lisäksi tutkijat ovat osoittaneet, että jopa pienikokoiset kvanttitietokoneet voivat parantaa koneoppimisen suorituskykyä uusilla fotonisilla kvanttipiireillä. Tulokset viittaavat siihen, että tämän päivän kvanttiteknologia ei ole enää pelkästään kokeellista – se voi jo nyt päihittää klassiset järjestelmät tietyissä tehtävissä. Erityisesti tämä fotoninen lähestymistapa voi myös merkittävästi vähentää energiankulutusta, tarjoten kestävän polun eteenpäin koneoppimisen kasvavien energiatarpeiden keskellä.
Tekoälyn jatkaessa huimaa kehitystään, kasvava laskentatehon tarve – erityisesti vaativissa päättelytehtävissä, kuten generatiivisten tekoälymallien (esim. ChatGPT) kohdalla – asettaa haasteita perinteisille elektronisille laskentajärjestelmille. Fotoniikkateknologian edistysaskeleet ovat herättäneet kiinnostusta fotoniseen laskentaan lupaavana tekoälyn laskentamuotona. Tekoälyn ja fotoniikan syvällisen yhdistymisen myötä älykäs fotoniikka kehittyy nousevaksi monitieteiseksi alaksi, jolla on merkittävä potentiaali mullistaa käytännön sovelluksia.