Il calcolo fotonico neuromorfico incontra la memoria analogica: eliminare il collo di bottiglia della conversione dei dati La maggior parte dell'hardware AI funziona su chip elettronici dove i calcoli vengono eseguiti spostando elettroni attraverso transistor. Ma c'è un'alternativa in crescita: eseguire operazioni di reti neurali utilizzando la luce. Nei processori fotonici, le moltiplicazioni di matrici vengono eseguite codificando i dati come segnali ottici e facendoli passare attraverso array di risonatori a microanello sintonizzabili, ognuno dei quali funge da peso sinaptico. La fisica della luce consente un massiccio parallelismo e una propagazione a latenza ultrabassa, promettendo velocità ed efficienze energetiche che l'elettronica da sola non può eguagliare. Eppure c'è un collo di bottiglia sorprendentemente banale: ogni peso sinaptico ha bisogno di un convertitore digitale-analogico (DAC) dedicato per alimentare continuamente il modulatore che lo codifica. Per una matrice di pesi di dimensione n×n, ci sono n² DAC che funzionano senza sosta—non per calcolare, ma solo per mantenere le tensioni in posizione. Il costo energetico di spostare i dati tra la memoria digitale e il calcolo analogico rischia di negare i vantaggi stessi che rendono la fotonica attraente. Sean Lam e i coautori dimostrano una soluzione elegante: posizionare un piccolo condensatore direttamente su ogni modulatore ottico. Una volta caricato, mantiene il peso senza bisogno di un DAC per rimanere attivo. I DAC vengono quindi condivisi lungo le colonne e attivati solo quando i pesi devono essere aggiornati—scalando come n invece di n². Il concetto, chiamato memoria analogica elettro-ottica dinamica (DEOAM), è realizzato su un chip fotonico in silicio monolitico in un processo di fonderia standard da 90 nm, raggiungendo oltre 26× di risparmio energetico rispetto ai design convenzionali. I numeri sperimentali inquadrano chiaramente i compromessi. Il tempo di scrittura è di ~40–50 ns, il tempo di retention è di ~0.83 ms, l'energia per scrittura è di ~56 pJ e la precisione del bit è di circa 5.6 bit. La retention dipende dalla potenza ottica incidente—più luce significa più perdita—creando una tensione diretta tra qualità del segnale e durata della memoria. Per capire cosa significano queste specifiche per i carichi di lavoro reali, gli autori emulano una rete neurale a tre strati su MNIST. Un rapporto retention-latenza di rete di appena 100 è sufficiente per mantenere l'accuratezza dell'inferenza sopra il 90%. Le reti addestrate con la perdita inclusa diventano sostanzialmente più robuste—un esempio vivido di come l'addestramento consapevole dell'hardware dia i suoi frutti. Lo stesso principio che guida il calcolo in memoria elettronica—che spostare i dati costa più energia che calcolare con essi—si applica qui in un dominio elettro-ottico ibrido. La maggior parte dei processori fotonici oggi può solo fare inferenza con pesi addestrati offline su GPU. DEOAM apre un percorso verso l'addestramento online su chip, dove la rete si adatta continuamente a nuovi dati e deriva dell'hardware. Carta: