De diepe neurale netwerkmodellen die de meest veeleisende machinelearning-toepassingen van vandaag aandrijven, zijn zo groot en complex geworden dat ze de grenzen van traditionele elektronische hardware opzoeken. Fotonicahardware, die machinelearning-berekeningen uitvoert met licht, biedt een sneller en energiezuiniger alternatief. Tot voor kort waren er echter bepaalde typen neurale netwerkberekeningen die fotonische apparaten niet konden uitvoeren, waardoor off-chip elektronica nodig was die snelheid en efficiëntie beperkte.
In een ontwikkeling die de toekomst van AI-infrastructuur kan herdefiniëren, onthulde Lightmatter in april 2025 zijn revolutionaire Envise-fotonische computerchip, ontworpen om het energieverbruik drastisch te verminderen en AI-werkbelastingen te versnellen. De Envise-chip—die licht in plaats van elektronen gebruikt voor berekeningen—biedt een oplossing voor de groeiende inefficiënties van conventionele siliciumchips, juist nu AI-modellen ongekende rekenkracht vereisen. Met een waardering van $4,4 miljard na een investeringsronde van $850 miljoen, positioneert Lightmatter zich aan de voorhoede van een nieuw computerparadigma.
De fotonische processoren van Lightmatter gebruiken licht om berekeningen uit te voeren, met name tensorbewerkingen die centraal staan bij deep learning. Door licht te manipuleren via optische componenten zoals golfgeleiders en lenzen, voeren deze chips berekeningen uit met de snelheid van het licht, bereiken ze bijna elektronische precisie en verbruiken ze aanzienlijk minder energie. Zo voert hun fotonische processor 65,5 biljoen Adaptive Block Floating-Point 16-bit bewerkingen per seconde uit met slechts 78 watt elektrisch vermogen.
Ondertussen demonstreerde Q.ANT zijn fotonische Native Processing Server (NPS) op ISC 2025 in juni. Gebouwd op Q.ANT’s Light Empowered Native Arithmetic (LENA)-architectuur, levert de NPS tot 30 keer de energie-efficiëntie van conventionele technologieën met indrukwekkende specificaties: 16-bit floating point precisie met 99,7% nauwkeurigheid voor alle berekeningen, 40–50% minder bewerkingen nodig voor een gelijkwaardig resultaat, en geen noodzaak voor actieve koeling.
Naast prestatieverbeteringen hebben onderzoekers ook aangetoond dat zelfs kleinschalige quantumcomputers de prestaties van machine learning kunnen verbeteren met behulp van nieuwe fotonische quantumcircuits. Hun bevindingen suggereren dat de quantumtechnologie van vandaag niet alleen experimenteel is—maar nu al klassieke systemen kan overtreffen bij specifieke taken. Opmerkelijk is dat deze fotonische benadering ook het energieverbruik drastisch kan verminderen, wat een duurzaam pad biedt nu de energiebehoefte van machine learning snel toeneemt.
Nu kunstmatige intelligentie zich in razendsnel tempo ontwikkelt, zorgt de groeiende vraag naar rekenkracht—vooral bij veeleisende inferentietaken zoals die van generatieve AI-modellen zoals ChatGPT—voor uitdagingen bij conventionele elektronische computersystemen. Doorbraken in fotonica hebben de interesse in fotonische computing als veelbelovende AI-rekenmethode aangewakkerd. Door de diepgaande samensmelting van AI en fotonica ontwikkelt intelligente fotonica zich tot een opkomend interdisciplinair vakgebied met groot potentieel om praktische toepassingen te revolutioneren.