Neuromorfe fotonische computing ontmoet analoge geheugen: het elimineren van de dataconversie-flessenhals De meeste AI-hardware draait op elektronische chips waar berekeningen worden uitgevoerd door elektronen door transistors te bewegen. Maar er is een groeiend alternatief: het uitvoeren van neurale netwerkoperaties met behulp van licht. In fotonische processors worden matrixvermenigvuldigingen uitgevoerd door gegevens als optische signalen te coderen en deze door arrays van afstembare microringresonatoren te sturen, waarbij elke resonator fungeert als een synaptisch gewicht. De fysica van licht maakt massale parallelisatie en ultralage-latentie propagatie mogelijk, wat snelheden en energie-efficiënties belooft die alleen met elektronica niet te evenaren zijn. Toch is er een verrassend alledaagse bottleneck: elk synaptisch gewicht heeft een speciale digitale-naar-analoog converter (DAC) nodig om continu de modulator aan te drijven die het codeert. Voor een gewichtmatrix van grootte n×n zijn dat n² DAC's die nonstop draaien—niet om te berekenen, maar alleen om spanningen op hun plaats te houden. De energiekosten van het verplaatsen van gegevens tussen digitaal geheugen en analoge berekeningen riskeren de voordelen teniet te doen die fotonica aantrekkelijk maken. Sean Lam en co-auteurs demonstreren een elegante oplossing: plaats een kleine condensator direct op elke optische modulator. Eenmaal opgeladen, houdt het het gewicht vast zonder dat een DAC actief hoeft te blijven. DAC's worden dan gedeeld langs kolommen en alleen geactiveerd wanneer gewichten moeten worden bijgewerkt—schalend als n in plaats van n². Het concept, genaamd dynamisch elektro-optisch analoog geheugen (DEOAM), is gefabriceerd op een monolithische silicium fotonische chip in een standaard 90 nm foundry-proces, met meer dan 26× energiebesparing vergeleken met conventionele ontwerpen. De experimentele cijfers schetsen de afwegingen duidelijk. Schrijftijd is ~40–50 ns, retentietijd ~0.83 ms, energie per schrijf ~56 pJ, en bitprecisie rond 5.6 bits. Retentie hangt af van de incidentele optische kracht—meer licht betekent meer lek—wat een directe spanning creëert tussen signaalkwaliteit en geheugentijd. Om te begrijpen wat deze specificaties betekenen voor echte workloads, emuleren de auteurs een drie-laags neurale netwerk op MNIST. Een retentie-naar-netwerk-latentie verhouding van slechts 100 is voldoende om de inferentie-accuraatheid boven de 90% te houden. Netwerken die zijn getraind met de lekkage inbegrepen, worden aanzienlijk robuuster—een levendig voorbeeld van hardware-bewuste training die zijn vruchten afwerpt. Hetzelfde principe dat elektronische in-geheugen computing aandrijft—dat het verplaatsen van gegevens meer energie kost dan ermee te rekenen—is hier van toepassing in een hybride elektro-optisch domein. De meeste fotonische processors kunnen vandaag alleen inferentie doen met gewichten die offline op GPU's zijn getraind. DEOAM opent een pad naar on-chip, online training waar het netwerk zich continu aanpast aan nieuwe gegevens en hardware-afwijkingen. Paper: