आज के सबसे अधिक मांग वाले मशीन लर्निंग अनुप्रयोगों को शक्ति देने वाले डीप न्यूरल नेटवर्क मॉडल इतने बड़े और जटिल हो गए हैं कि वे पारंपरिक इलेक्ट्रॉनिक कंप्यूटिंग हार्डवेयर की सीमाओं को चुनौती दे रहे हैं। फोटॉनिक हार्डवेयर, जो मशीन लर्निंग की गणनाएँ प्रकाश के माध्यम से करता है, एक तेज़ और अधिक ऊर्जा-कुशल विकल्प प्रदान करता है। हालांकि, हाल तक, फोटॉनिक डिवाइस कुछ प्रकार की न्यूरल नेटवर्क गणनाएँ नहीं कर सकते थे, जिससे चिप के बाहर इलेक्ट्रॉनिक्स की आवश्यकता होती थी, जो गति और दक्षता को बाधित करता था।
आर्टिफिशियल इंटेलिजेंस इन्फ्रास्ट्रक्चर के भविष्य को फिर से परिभाषित करने वाले एक कदम के तहत, लाइटमैटर ने अप्रैल 2025 में अपनी क्रांतिकारी एनवाइज़ फोटॉनिक कंप्यूटिंग चिप पेश की, जिसे ऊर्जा की खपत को काफी कम करते हुए एआई वर्कलोड को तेज़ करने के लिए डिज़ाइन किया गया है। एनवाइज़ चिप—जो गणनाओं के लिए इलेक्ट्रॉनों के बजाय प्रकाश का उपयोग करती है—पारंपरिक सिलिकॉन चिप्स की बढ़ती अक्षमताओं का समाधान पेश करती है, ठीक उसी समय जब एआई मॉडल अभूतपूर्व प्रोसेसिंग पावर की मांग कर रहे हैं। 850 मिलियन डॉलर की फंडिंग राउंड के बाद 4.4 बिलियन डॉलर के मूल्यांकन के साथ, लाइटमैटर खुद को कंप्यूटिंग के एक नए युग में अग्रणी के रूप में स्थापित कर रहा है।
लाइटमैटर के फोटॉनिक प्रोसेसर गणनाओं, विशेष रूप से डीप लर्निंग के लिए केंद्रीय टेन्सर ऑपरेशंस, को प्रकाश के माध्यम से करते हैं। वेवगाइड्स और लेंस जैसी ऑप्टिकल घटकों के माध्यम से प्रकाश को नियंत्रित करके, ये चिप्स प्रकाश की गति से गणनाएँ करते हैं, लगभग इलेक्ट्रॉनिक-समान सटीकता प्राप्त करते हुए काफी कम ऊर्जा का उपयोग करते हैं। उदाहरण के लिए, उनका फोटॉनिक प्रोसेसर केवल 78 वॉट विद्युत शक्ति का उपयोग करते हुए 65.5 ट्रिलियन अडैप्टिव ब्लॉक फ्लोटिंग-पॉइंट 16-बिट ऑपरेशंस प्रति सेकंड करता है।
इसी बीच, क्यू.एएनटी ने जून 2025 में आईएससी में अपना फोटॉनिक नेटिव प्रोसेसिंग सर्वर (एनपीएस) प्रदर्शित किया। क्यू.एएनटी की लाइट एम्पावर्ड नेटिव एरिथमेटिक (लीना) आर्किटेक्चर पर आधारित, एनपीएस पारंपरिक तकनीकों की तुलना में 30 गुना अधिक ऊर्जा दक्षता प्रदान करता है, साथ ही प्रभावशाली विशेषताएँ भी: सभी गणनात्मक कार्यों के लिए 16-बिट फ्लोटिंग पॉइंट सटीकता के साथ 99.7% एक्यूरेसी, समकक्ष आउटपुट के लिए 40–50% कम ऑपरेशंस की आवश्यकता, और सक्रिय कूलिंग इंफ्रास्ट्रक्चर की कोई आवश्यकता नहीं।
प्रदर्शन में सुधार से आगे, शोधकर्ताओं ने यह भी दिखाया है कि यहां तक कि छोटे पैमाने के क्वांटम कंप्यूटर भी नवीन फोटॉनिक क्वांटम सर्किट्स का उपयोग करके मशीन लर्निंग के प्रदर्शन को बेहतर बना सकते हैं। उनके निष्कर्ष बताते हैं कि आज की क्वांटम तकनीक केवल प्रयोगात्मक नहीं है—यह विशिष्ट कार्यों में पहले ही पारंपरिक प्रणालियों से बेहतर प्रदर्शन कर सकती है। खास बात यह है कि यह फोटॉनिक दृष्टिकोण ऊर्जा की खपत को भी काफी हद तक कम कर सकता है, जिससे मशीन लर्निंग की बढ़ती ऊर्जा जरूरतों के बीच एक टिकाऊ रास्ता मिल सकता है।
जैसे-जैसे आर्टिफिशियल इंटेलिजेंस अपनी तेज़ प्रगति जारी रखता है, कंप्यूटिंग पावर की बढ़ती मांग—विशेष रूप से जनरेटिव एआई मॉडल जैसे ChatGPT द्वारा दर्शाए गए जटिल इनफेरेंस कार्यों में—पारंपरिक इलेक्ट्रॉनिक कंप्यूटिंग प्रणालियों के लिए चुनौतियाँ पेश करती है। फोटॉनिक्स तकनीक में प्रगति ने फोटॉनिक कंप्यूटिंग को एक आशाजनक एआई कंप्यूटिंग विकल्प के रूप में लोकप्रिय बना दिया है। एआई और फोटॉनिक्स तकनीकों के गहरे समावेश के साथ, इंटेलिजेंट फोटॉनिक्स एक उभरता हुआ अंतःविषय क्षेत्र बन रहा है, जिसमें व्यावहारिक अनुप्रयोगों में क्रांति लाने की अपार संभावना है।