Komputasi fotonik neuromorfik bertemu dengan memori analog: menghilangkan kemacetan konversi data Sebagian besar perangkat keras AI berjalan pada chip elektronik di mana komputasi dilakukan dengan menggerakkan elektron melalui transistor. Tetapi ada alternatif yang berkembang: melakukan operasi jaringan saraf menggunakan cahaya. Dalam prosesor fotonik, perkalian matriks dilakukan dengan mengkodekan data sebagai sinyal optik dan meneruskannya melalui susunan resonator cincin mikro yang dapat disetel, masing-masing bertindak sebagai bobot sinaptik. Fisika cahaya memungkinkan paralelisme besar-besaran dan propagasi latensi ultralow, menjanjikan kecepatan dan efisiensi energi yang tidak dapat ditandingi oleh elektronik saja. Namun ada kemacetan yang mengejutkan: setiap bobot sinaptik membutuhkan konverter digital-ke-analog (DAC) khusus untuk terus menggerakkan modulator yang mengkodekannya. Untuk matriks berat ukuran n×n, itu adalah n² DAC yang berjalan tanpa henti—bukan untuk menghitung, tetapi hanya untuk menahan tegangan di tempatnya. Biaya energi untuk bolak-balik data antara memori digital dan komputasi analog berisiko meniadakan keuntungan yang membuat fotonik menarik. Sean Lam dan rekan penulis mendemonstrasikan perbaikan yang elegan: tempatkan kapasitor kecil langsung pada setiap modulator optik. Setelah diisi daya, ia menahan beban tanpa memerlukan DAC untuk tetap aktif. DAC kemudian dibagikan di sepanjang kolom dan diaktifkan hanya ketika bobot perlu diperbarui—penskalaan sebagai n, bukan n². Konsep ini, yang disebut memori analog elektro-optik dinamis (DEOAM), dibuat pada chip fotonik silikon monolitik dalam proses pengecoran 90 nm standar, mencapai penghematan daya lebih dari 26× dibandingkan dengan desain konvensional. Angka-angka eksperimental membingkai pengorbanan dengan jelas. Waktu tulis adalah ~40–50 ns, waktu retensi ~0,83 ms, energi per penulisan ~56 pJ, dan presisi bit sekitar 5,6 bit. Retensi bergantung pada daya optik yang datang—lebih banyak cahaya berarti lebih banyak kebocoran—menciptakan ketegangan langsung antara kualitas sinyal dan masa pakai memori. Untuk memahami apa arti spesifikasi ini untuk beban kerja nyata, penulis meniru jaringan saraf tiga lapis di MNIST. Rasio retensi-ke-latensi jaringan hanya 100 sudah cukup untuk menjaga akurasi inferensi di atas 90%. Jaringan yang dilatih dengan kebocoran yang disertakan menjadi jauh lebih kuat—contoh nyata dari pelatihan sadar perangkat keras membuahkan hasil. Prinsip yang sama yang menggerakkan komputasi elektronik dalam memori—bahwa memindahkan data membutuhkan lebih banyak energi daripada komputasi dengannya—berlaku di sini dalam domain elektro-optik hibrida. Sebagian besar prosesor fotonik saat ini hanya dapat melakukan inferensi dengan bobot yang dilatih secara offline pada GPU. DEOAM membuka jalan menuju pelatihan online on-chip di mana jaringan terus beradaptasi dengan data baru dan penyimpangan perangkat keras. Kertas: