Neuromorfinen fotoninen laskenta kohtaa analogisen muistin: tietojen muunnoksen pullonkaulan poistaminen Suurin osa tekoälylaitteistoista toimii elektronisilla piireillä, joissa laskenta tapahtuu elektronien siirtämiseksi transistorien kautta. Mutta on olemassa kasvava vaihtoehto: neuroverkkotoimintojen suorittaminen valon avulla. Fotonisissa prosessoreissa matriisikertolaskut suoritetaan koodaamalla data optisiksi signaaleiksi ja siirtämällä ne viritettävien mikrorengasresonanssiryhmien läpi, joista kukin toimii synaptisena painona. Valon fysiikka mahdollistaa massiivisen rinnakkaisuuden ja ultramatalaviiveisen etenemisen, luvaten nopeuksia ja energiatehokkuutta, joita pelkkä elektroniikka ei pysty yltämään. Silti on yllättävän arkinen pullonkaula: jokainen synaptinen paino tarvitsee oman digitaali-analogimuuntimen (DAC), joka jatkuvasti ohjaa modulaattoria, joka koodaa sen. N×n koon painomatriisille se tarkoittaa n² DAC:ia, jotka pyörivät tauotta – ei laskemista varten, vaan jännitteiden pitämiseksi paikoillaan. Datan siirtäminen digitaalisen muistin ja analogisen laskennan välillä voi kumota ne edut, jotka tekevät fotoniikasta houkuttelevan. Sean Lam ja hänen kumppaninsa osoittavat tyylikkään ratkaisun: aseta pieni kondensaattori suoraan jokaisen optisen modulaattorin päälle. Kun se on ladattu, se kantaa painon ilman, että DAC:ia tarvitsee pysyäkseen aktiivisena. DAC:t jaetaan sitten sarakkeiden suuntaan ja aktivoidaan vain, kun painoja täytyy päivittää – skaalautuu n:ksi n²:n sijaan. Konsepti, jota kutsutaan dynaamiseksi elektro-optiseksi analogimuistiksi (DEOAM), valmistetaan monoliittiselle pii-fotoniselle sirulle tavallisessa 90 nm valimoprosessissa, mikä tuottaa yli 26× virransäästön verrattuna perinteisiin malleihin. Kokeelliset luvut määrittelevät kompromissit selvästi. Kirjoitusaika on ~40–50 ns, säilytysaika ~0,83 ms, energia per kirjoitus ~56 pJ ja bittitarkkuus noin 5,6 bittiä. Säilyvyys riippuu tulevasta optisesta tehosta – enemmän valoa tarkoittaa enemmän vuotoa – mikä luo suoran jännitteen signaalin laadun ja muistin käyttöiän välille. Ymmärtääkseen, mitä nämä spesifikaatiot tarkoittavat todellisille työkuormille, tekijät emuloivat kolmikerroksista neuroverkkoa MNISTissä. Vain 100 verkon viiveen säilyttämissuhde riittää pitämään päättelytarkkuuden yli 90 %. Verkot, jotka on koulutettu mukaan otettuun vuotoon, muuttuvat huomattavasti kestävämmiksi – elävä esimerkki laitteistopohjaisesta koulutuksesta kannattaen. Sama periaate, joka ohjaa elektronista muistin sisäistä laskentaa – että datan siirtäminen maksaa enemmän energiaa kuin sen kanssa laskenta – pätee myös hybridielektrooptiikka-alueella. Useimmat fotoniset prosessorit nykyään pystyvät päättelemään vain painoilla, jotka on koulutettu offline-tilassa GPU:lla. DEOAM avaa tien sirulle, verkkokoulutukseen, jossa verkko mukautuu jatkuvasti uuteen dataan ja laitteistoon siirtymiseen. Artikkeli: