Günümüzün en zorlu makine öğrenimi uygulamalarını destekleyen derin sinir ağı modelleri, o kadar büyük ve karmaşık hale geldi ki, geleneksel elektronik donanımın sınırlarını zorluyor. Makine öğrenimi hesaplamalarını ışıkla gerçekleştiren fotonik donanım, daha hızlı ve enerji açısından daha verimli bir alternatif sunuyor. Ancak yakın zamana kadar, fotonik cihazların gerçekleştiremediği bazı sinir ağı hesaplamaları vardı ve bu da hızı ve verimliliği olumsuz etkileyen çip dışı elektroniklere ihtiyaç duyulmasına neden oluyordu.
Yapay zeka altyapısının geleceğini yeniden tanımlayabilecek bir adım olarak, Lightmatter Nisan 2025'te devrim niteliğindeki Envise fotonik hesaplama çipini tanıttı. Bu çip, enerji tüketimini büyük ölçüde azaltırken yapay zeka iş yüklerini hızlandırmak üzere tasarlandı. Hesaplamalar için elektronlar yerine ışığı kullanan Envise çipi, yapay zeka modellerinin benzeri görülmemiş işlem gücü talep ettiği bir dönemde, geleneksel silikon çiplerin artan verimsizliklerine çözüm vadediyor. 850 milyon dolarlık bir yatırım turunun ardından 4,4 milyar dolar değerlemeye ulaşan Lightmatter, yeni bir hesaplama paradigmasının öncüsü olmayı hedefliyor.
Lightmatter'ın fotonik işlemcileri, özellikle derin öğrenmede merkezi öneme sahip tensör işlemlerini ışıkla gerçekleştiriyor. Bu çipler, dalga kılavuzları ve lensler gibi optik bileşenler aracılığıyla ışığı yönlendirerek hesaplamaları ışık hızında gerçekleştiriyor ve elektronik hassasiyetine yakın sonuçlar elde ederken çok daha az enerji harcıyor. Örneğin, fotonik işlemcileri yalnızca 78 watt elektrik gücüyle saniyede 65,5 trilyon Adaptif Blok Kayan Nokta 16-bit işlem yapabiliyor.
Öte yandan, Q.ANT Haziran 2025'te ISC'de fotonik Native Processing Server (NPS) ürününü tanıttı. Q.ANT'ın Light Empowered Native Arithmetic (LENA) mimarisi üzerine inşa edilen NPS, geleneksel teknolojilere kıyasla 30 kata kadar daha yüksek enerji verimliliği sunuyor. Öne çıkan teknik özellikleri arasında; tüm hesaplama işlemlerinde %99,7 doğrulukla 16-bit kayan nokta hassasiyeti, eşdeğer çıktı için %40–50 daha az işlem gereksinimi ve aktif soğutma altyapısına ihtiyaç duyulmaması yer alıyor.
Performans artışlarının ötesinde, araştırmacılar küçük ölçekli kuantum bilgisayarların da yeni fotonik kuantum devreleriyle makine öğrenimi performansını artırabileceğini gösterdi. Bulgular, günümüz kuantum teknolojisinin yalnızca deneysel olmadığını; belirli görevlerde klasik sistemleri şimdiden geride bırakabildiğini ortaya koyuyor. Özellikle bu fotonik yaklaşım, enerji tüketimini de büyük ölçüde azaltabilir ve makine öğreniminin artan enerji ihtiyacına sürdürülebilir bir çözüm sunabilir.
Yapay zeka baş döndürücü bir hızla ilerlerken, özellikle ChatGPT gibi üretken yapay zeka modellerinin örneklediği zorlu çıkarım görevlerinde artan hesaplama gücü ihtiyacı, geleneksel elektronik sistemler için önemli zorluklar oluşturuyor. Fotonik teknolojideki gelişmeler, fotonik hesaplamayı umut vaat eden bir yapay zeka hesaplama yöntemi olarak öne çıkarıyor. Yapay zeka ve fotonik teknolojilerinin derin entegrasyonu sayesinde, akıllı fotonik, pratik uygulamalarda devrim yaratma potansiyeline sahip, yükselen disiplinlerarası bir alan olarak gelişiyor.