Calculul fotonic neuromorf întâlnește memoria analogică: eliminarea blocajului de conversie a datelor Majoritatea hardware-ului AI rulează pe cipuri electronice, unde calculele se realizează prin mișcarea electronilor prin tranzistori. Dar există o alternativă în creștere: efectuarea de operațiuni de rețea neuronală folosind lumina. În procesoarele fotonice, înmulțirile matriciale sunt executate prin codificarea datelor ca semnale optice și trecerea lor prin matrice de rezonatori microring reglabili, fiecare acționând ca o greutate sinaptică. Fizica luminii permite paralelism masiv și propagare cu latență ultra-scăzută, promițând viteze și eficiențe energetice pe care electronica singură nu le poate egala. Totuși, există un blocaj surprinzător de banal: fiecare greutate sinaptică are nevoie de un convertor dedicat digital-analog (DAC) pentru a alimenta continuu modulatorul care o codifică. Pentru o matrice de greutăți de dimensiune n×n, asta înseamnă n² DAC-uri care rulează non-stop — nu pentru a calcula, ci doar pentru a menține tensiunile la loc. Costul energetic al transportului datelor între memoria digitală și calculul analogic riscă să anuleze chiar avantajele care fac fotonica atractivă. Sean Lam și coautorii demonstrează o soluție elegantă: plasează un condensator minuscul direct pe fiecare modulator optic. Odată încărcat, ține greutatea fără a avea nevoie de un DAC pentru a rămâne activ. DAC-urile sunt apoi distribuite de-a lungul coloanelor și activate doar când greutățile necesită actualizare — scalând ca n în loc de n². Conceptul, numit memorie analogică electro-optică dinamică (DEOAM), este fabricat pe un cip fotonic monolitic din siliciu într-un proces standard de turnătorie de 90 nm, realizând economii de peste 26× de energie comparativ cu proiectele convenționale. Cifrele experimentale încadrează clar compromisurile. Timpul de scriere este de ~40–50 ns, timpul de retenție de ~0,83 ms, energia pe scriere de ~56 pJ, iar precizia biților de aproximativ 5,6 biți. Retenția depinde de puterea optică incidentă — mai multă lumină înseamnă mai multă scurgere — creând o tensiune directă între calitatea semnalului și durata de viață a memoriei. Pentru a înțelege ce înseamnă aceste specificații pentru sarcini reale, autorii emulează o rețea neuronală cu trei straturi pe MNIST. Un raport retenție-latență de rețea de doar 100 este suficient pentru a menține acuratețea inferențelor peste 90%. Rețelele antrenate cu scurgerile incluse devin mult mai robuste — un exemplu viu de antrenament conștient de hardware care dă roade. Același principiu care stă la baza calculului electronic în memorie — că mutarea datelor costă mai multă energie decât calculul cu ele — se aplică aici într-un domeniu electro-optic hibrid. Majoritatea procesoarelor fotonice de astăzi pot face inferență doar cu greutăți antrenate offline pe GPU-uri. DEOAM deschide o cale către instruire on-chip, online, unde rețeaua se adaptează continuu la noi date și drift hardware. Hârtie: