De djupa neurala nätverksmodeller som driver dagens mest krävande maskininlärningsapplikationer har blivit så stora och komplexa att de pressar gränserna för traditionell elektronisk hårdvara. Fotonisk hårdvara, som utför maskininlärningsberäkningar med ljus, erbjuder ett snabbare och mer energieffektivt alternativ. Fram till nyligen fanns det dock vissa typer av beräkningar i neurala nätverk som fotoniska enheter inte kunde utföra, vilket krävde elektronik utanför chipet och därmed försämrade hastighet och effektivitet.
I ett steg som kan omdefiniera framtidens AI-infrastruktur presenterade Lightmatter sitt revolutionerande fotoniska beräkningschip Envise i april 2025, utformat för att drastiskt minska energiförbrukningen samtidigt som AI-arbetsbelastningar accelereras. Envise-chippet—som använder ljus istället för elektroner för beräkningar—lovar en lösning på de växande ineffektiviteternas hos konventionella kiselchip, just när AI-modeller kräver oöverträffad processorkraft. Med ett värde på 4,4 miljarder dollar efter en finansieringsrunda på 850 miljoner dollar positionerar sig Lightmatter i framkant av ett nytt beräkningsparadigm.
Lightmatters fotoniska processorer använder ljus för att utföra beräkningar, särskilt tensoroperationer som är centrala för djupinlärning. Genom att manipulera ljus via optiska komponenter som vågledare och linser utför dessa chip beräkningar i ljusets hastighet, med nästan elektronisk precision och betydligt lägre energiförbrukning. Exempelvis utför deras fotoniska processor 65,5 biljoner Adaptive Block Floating-Point 16-bitars operationer per sekund med endast 78 watt elektrisk effekt.
Samtidigt demonstrerade Q.ANT sin fotoniska Native Processing Server (NPS) på ISC 2025 i juni. Baserad på Q.ANT:s Light Empowered Native Arithmetic (LENA)-arkitektur levererar NPS upp till 30 gånger högre energieffektivitet jämfört med konventionell teknik och imponerande specifikationer: 16-bitars flyttalsnoggrannhet med 99,7 % precision för alla beräkningar, 40–50 % färre operationer krävs för motsvarande resultat och inget behov av aktiv kylning.
Utöver prestandaförbättringar har forskare även visat att till och med småskaliga kvantdatorer kan förbättra maskininlärningens prestanda med hjälp av nya fotoniska kvantkretsar. Deras resultat tyder på att dagens kvantteknik inte bara är experimentell—den kan redan nu överträffa klassiska system i specifika uppgifter. Särskilt kan detta fotoniska tillvägagångssätt också drastiskt minska energiförbrukningen och erbjuda en hållbar väg framåt när maskininlärningens energibehov skjuter i höjden.
I takt med att artificiell intelligens fortsätter att göra hisnande framsteg innebär den ökande efterfrågan på datorkraft—särskilt i krävande inferensuppgifter som exemplifieras av generativa AI-modeller såsom ChatGPT—utmaningar för konventionella elektroniska datorsystem. Framsteg inom fotonik har väckt intresse för fotonisk databehandling som ett lovande alternativ för AI-beräkningar. Genom den djupa sammansmältningen av AI och fotonik utvecklas intelligent fotonik som ett framväxande tvärvetenskapligt fält med stor potential att revolutionera praktiska tillämpningar.