Nöromorfik fotonik hesaplama analog bellek ile buluşur: veri dönüşüm darboğazını ortadan kaldırır Çoğu yapay zeka donanımı, elektronların transistörler aracılığıyla hareket ettirilmesiyle yapılan elektronik çipler üzerinde çalışır. Ancak büyüyen bir alternatif var: ışık kullanarak sinir ağı işlemlerini yapmak. Fotonik işlemcilerde, matris çarpmaları verilerin optik sinyal olarak kodlanıp her biri sinaptik ağırlık olarak işlev gören ayarlanabilir mikrohalka rezonatör dizilerinden geçirilmesiyle gerçekleştirilir. Işık fiziği, büyük paralellik ve ultra düşük gecikmeli yayılımı mümkün kılarak, yalnızca elektroniğin karşılayamayacağı hızlar ve enerji verimlilikleri vaat eder. Yine de şaşırtıcı derecede sıradan bir darboğaz var: Her sinaptik ağırlık, modülatörü kodlayan modülatörü sürekli çalıştırmak için özel bir dijital-analog dönüştürücüye (DAC) ihtiyaç duyar. n×n boyutunda bir ağırlık matrisi için, bu n² DAC'ların durmaksızın çalışmasıdır—hesaplamak için değil, sadece voltajları yerinde tutmak için. Dijital bellek ile analog hesaplama arasında veri taşımasının enerji maliyeti, fotonikleri çekici kılan avantajları ortadan kaldırır. Sean Lam ve arkadaşları zarif bir çözüm sergiliyor: her optik modülatörün üzerine doğrudan küçük bir kondansat yerleştirmek. Şarj edildikten sonra, aktif kalmak için DAC'a ihtiyaç duymadan ağırlığı tutuyor. DAC'lar daha sonra sütunlar boyunca paylaşılır ve sadece ağırlıklar güncellenmesi gerektiğinde etkinleştirilir—n² yerine n olarak ölçeklenir. Dinamik elektro-optik analog bellek (DEOAM) olarak adlandırılan bu kavram, standart 90 nm dökümhane işlemiyle monolitik silikon fotonik çip üzerinde üretilir ve geleneksel tasarımlara kıyasla 26× üzerinde güç tasarrufu sağlar. Deneysel sayılar bu dengeleri açıkça çerçeveliyor. Yazma süresi ~40–50 ns, tutma süresi ~0.83 ms, yazma başına enerji ~56 pJ, bit hassasiyeti ise yaklaşık 5.6 bit civarındadır. Tutma, gelen optik güce bağlıdır—daha fazla ışık, daha fazla sızıntı demektir—bu da sinyal kalitesi ile bellek ömrü arasında doğrudan bir gerilim oluşturur. Bu özelliklerin gerçek iş yükleri için ne anlama geldiğini anlamak için yazarlar MNIST'te üç katmanlı bir sinir ağı emüle ederler. Sadece 100 olan bir tutma ve ağ gecikmesi oranı, çıkarım doğruluğunu %90'ın üzerinde tutmak için yeterlidir. Sızıntı dahil edildiği ağlar önemli ölçüde daha sağlam hale geliyor—donanım farkında eğitimin işe yaramasının canlı bir örneği. Elektronik bellek içi hesaplamayı yönlendiren aynı ilke—veri taşımak, onunla hesaplamadan daha fazla enerji maliyeti gerektiriyor—burada hibrit elektro-optik alanda da geçerlidir. Günümüzde çoğu fotonik işlemci, yalnızca GPU'larda çevrimdışı olarak eğitilmiş ağırlıklarla çıkarım yapabilir. DEOAM, ağın sürekli olarak yeni veri ve donanım kayıntılarına uyum sağladığı çip üzerinde, çevrimiçi eğitime yol açıyor. Makale: