Neuromorfní fotonické výpočty se setkávají s analogovou pamětí: odstranění úzkého hrdla konverze dat Většina AI hardwaru běží na elektronických čipech, kde se výpočty provádějí pohybem elektronů přes tranzistory. Ale existuje rostoucí alternativa: provádění operací neuronové sítě pomocí světla. Ve fotonických procesorech se násobení matic provádí kódováním dat jako optických signálů a jejich průchodem přes pole laditelných mikrokruhových rezonátorů, z nichž každý funguje jako synaptická váha. Fyzika světla umožňuje masivní paralelismus a ultranízkolatenční šíření, což slibuje rychlosti a energetickou účinnost, které samotná elektronika nemůže dosáhnout. Přesto je tu překvapivě všední úzké hrdlo: každá synaptická váha potřebuje dedikovaný digitálně-analogový převodník (DAC), který nepřetržitě pohání modulátor, který ji kóduje. Pro váhovou matici o velikosti n×n to znamená n² DAC, které běží nepřetržitě – ne pro výpočty, ale jen pro udržení napětí na místě. Energetické náklady spojené s přepravou dat mezi digitální pamětí a analogovým výpočtem riskují, že zničí právě ty výhody, které činí fotoniku atraktivní. Sean Lam a jeho spoluautoři předvádějí elegantní řešení: umístit malý kondenzátor přímo na každý optický modulátor. Po nabití drží váhu bez potřeby DAC, aby zůstal aktivní. DAC jsou pak sdíleny ve sloupcích a aktivovány pouze tehdy, když je potřeba aktualizovat váhy – škálovat jako n místo n². Koncept, nazývaný dynamická elektrooptická analogová paměť (DEOAM), je vyráběn na monolitickém křemíkovém fotonickém čipu ve standardním 90nm slévárenském procesu, čímž se dosahuje úspory energie přes 26× ve srovnání s konvenčními konstrukcemi. Experimentální čísla jasně rámují kompromisy. Doba zápisu je ~40–50 ns, doba udržení ~0,83 ms, energie na zápis ~56 pJ a bitová přesnost kolem 5,6 bitů. Udržení závisí na dopadajícím optickém výkonu – více světla znamená více úniku – což vytváří přímé napětí mezi kvalitou signálu a životností paměti. Aby autoři pochopili, co tyto specifikace znamenají pro reálné pracovní zátěže, emulují třívrstvou neuronovou síť na MNIST. Poměr retence k latenci sítě pouhých 100 stačí k udržení přesnosti inference nad 90 %. Sítě trénované s tímto únikem se stávají výrazně robustnějšími – což je živý příklad hardwarově uvědomělého tréninku, který se vyplatil. Stejný princip, který pohání elektronické výpočty v paměti – že přesun dat stojí více energie než jejich výpočty – platí zde v hybridní elektrooptické oblasti. Většina fotonických procesorů dnes dokáže provádět inferenci pouze s váhami trénovanými offline na GPU. DEOAM otevírá cestu k online tréninku na čipu, kde se síť neustále přizpůsobuje novým datovým a hardwarovým driftům. Článek: